自动驾驶汽车中人工智能的可解释性和人机界面对于建立信任起到重要作用，因此本研究探讨了可解释性人机系统的作用，提出了一种评估用户对自动驾驶行为的信任的情境感知框架，并通过实验证明了相关的经验结果。

Apr, 2024

本文介绍了用于多模态、综合人工智能系统的开源框架 Platform for Situated Intelligence, 提供了基础设施、工具和组件，特别适用于发展物理场景互动系统，以便更好地与人交互，如社交机器人、虚拟助手、智能会议室等，同时也讨论了该框架对 HRI 的影响。

Oct, 2020

本文认为模拟平台使得新型的具身空间推理得以实现，它由物体和事件语义的形式化模型所促进，这使得开放式、实时环境的连续定量搜索空间变得易处理。通过示例，本文说明了一种基于语义的人工智能系统如何利用游戏引擎提供的精确数值信息来执行关于物体和事件的定性推理、从数据中学习新概念、与人类进行交流以提高其模型并展示其理解。本文认为模拟环境，特别是游戏引擎，整合了许多不同的 “模拟” 概念和许多不同的技术，为开发机器和人类智能方面的人工智能系统和工具提供了高效的平台.

Feb, 2019

本文旨在将联合态势感知概念映射到多域作战（MDO）ISR 要求，着重强调需要确保和可解释的 AI 以允许在多个合作伙伴之间分配资产的强大人机决策制定。同时，我们提供了 AI 和 IA 在 MDO ISR 中的举例，包括强化资产互操作性的人机团队合作，密集城市地形分析等，并评估了解释 AI 在人机协作方面的最新技术水平。三个元素的结合展示了联合态势感知方法在 MDO ISR 背景下的潜在价值，并明确了多个合作伙伴的情况下解释性的重要性。

Oct, 2019

本研究使用 SML 和可解释 AI 方法对联合行动中的人类决策进行建模、预测和理解。结果表明，模型能够准确地预测专家和新手在任务中的目标选择决策，并能够在演员意识到决策意图之前做出预测。通过可解释 AI 方法发现，专家更受同伴状态的影响，而新手则更受其他信息的影响。

Jun, 2022

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

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

我们提出了一种用于最新深度学习为基础的机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，同时引入了可解释的人工智能（XAI）功能以促进深度学习方法在实际应用中的应用。为了评估 XUI 对任务性能、用户满意度和认知负荷的影响，我们提出了初步用户调查的结果，并提出了一个大规模后续研究的研究设计。

Apr, 2024

本文提供了一种基于证据和科学方法的通用模型，能够帮助智能分析师和基于知识的代理之间的协作，通过生成解释性假设、发现相关证据，及基于模型测试假设，从而使代理能够理解和应对各种情况，例如包括可能涉及生产武器的情况，以及从该领域获得的其他相关情况。

Nov, 2021

本文从以人为中心的角度对人工智能可解释性界面在人工智能增强的人机协作系统中的透明性挑战进行了深入研究，并提出了一个用于评估该界面的新框架。通过在可解释人工智能、人机协作以及人机交互等领域进行广泛调查，该研究提供了多个新见解，探讨了将可解释人工智能整合到人工智能增强的人机协作系统中的未来方向。

May, 2024