本文提出了一个框架，该框架将信任纳入人工智能团队合作的场景中，在这个场景下，一个智能体必须与人类合作完成任务。在任务过程中，智能体需要通过互动和观察来推断人类对其的信任程度，并调整自己的行为以最大化团队的表现。为了实现这一目标，我们建议从人类参与的实验中收集数据，定义不同的设置（基于信任水平），并为每个设置学习最优策略。然后，我们创建一个模块来推断当前的设置（取决于信任的数量）。最后，我们在实际场景中验证了这个框架，并分析了这种可适应行为对信任的影响。

Oct, 2022

利用 Gärdenfors 的概念空间框架，基于属性分解的方法提高了人工智能代理的知识表示，并设计了一种基于模糊逻辑的类别归属判定模型；此方法在制造领域的应用能够有效提高人工智能代理的可解释性和可信度。

May, 2023

全自动化在关键系统中往往难以实现或不可取，在高风险决策中人工智能团队可以获得更好的结果，为此需要轻量级实验平台以促进人机交互并且适用于此类团队合作的算法进行研究、开发、评估和验证。通过 Cogment 人机团队合作实验平台，我们希望在关键系统和防御环境中促进进一步的人机团队合作研究。

Dec, 2023

人工智能与人类团队合作是新的设计范式，需要遵循以人为中心的人工智能 (HCAI) 方法。本文提出了人工智能与人类联合认知系统 (HAIJCS) 的概念框架，用于代表并实现人工智能与人类团队合作。

Jul, 2023

通过人工智能与人类的合作，我们设计了一个名为 KG-HAIT 的系统，利用人类对知识图谱的洞察力来改进知识图谱嵌入模型，通过动态规划生成捕捉子图结构特征和语义相似性的人类洞察特征向量，并将其整合到知识图谱嵌入模型的训练中，取得了显著的性能提升和模型收敛加速，强调了人工智能与人类在知识图谱上的合作的重要性。

May, 2024

研究通过计算建模和优化技术，提升人工智能与人类队伍的协同性能，其中人类和机器智能代理由于环境知识不完整而发挥亚最优能力，并采用在线贝叶斯方法推断人们愿意接受机器的协助，实验结果显示协作方式与团队性能、用户信任和对机器的好感度存在显著关联。

Mar, 2024

提出一种基于预训练的 RL 策略库和规则策略的人类无模型自适应代理架构，通过一种新的相似性度量方法推断人类策略并选择最具互补性的策略，以此最大化团队在人类机器协作中的总体表现。

Mar, 2021

提出了一个新的统一维度的概念模型，围绕着机构、交互和调适三个高层面展开，通过文献调查和半结构化访谈的方法逐步完善和验证。最后，利用这个设计空间对选定的人工智能系统进行结构化描述。

Apr, 2024

本研究通过两个实验研究了应用可解释人工智能技术对于提高团队情境感知、共享心智模型等关键特征的人 - 机团队的效果。结果发现，人 - 机团队的构成对可解释人工智能技术的效果产生了显著影响，初学者受益于通过可解释人工智能技术提高的情境感知，而专家则会由于注意力过度分散导致表现下降。因此，在人 - 机团队的设计和应用过程中，应谨慎考虑团队构成对于可解释人工智能技术效果的影响。

Sep, 2022

本研究提出了一种应用于团队协作的体系结构，通过结合基于知识的和基于数据驱动的推理和学习，能够实现协作对象的行为预测、适应性、透明性和更好的性能。

Aug, 2022