通过在 Minecraft 环境中模拟一个由三个玩家组成的团队，在人工智能代理商推理人类信念的过程中，我们开发了一种概率图模型（PGM）。我们的实验表明，玩家的行为受到游戏中视野内所见的影响，以及他们对标记意义的信念和团队决定采用哪个意义的信念。与人类观察者的推理相比，我们的 AI 代理商 ToMCAT 对于推断虚假信念具有显著优势。

Oct, 2023

人与机器协作中，提出了一种基于可解释人工智能（XAI）框架的思维感知沟通技术，借助贝叶斯推理算法，机器建立了人类用户的层次化精神模型，并生成自身思维的解释，实验证明该方法显著提高了协作表现和机器被用户感知的程度。

Jul, 2020

本研究提出了一种基于项目反应理论的框架来模拟人们对人工智能队友的感知，并使用实验数据测试研究问题，结果表明人们对人工智能代理的性能期望显著高于其他人，并具有更小的问题类型差异。

May, 2023

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

本文介绍了一种自动干预的方法来改善团队协调，首先使用 BTIL 多智能体模仿学习算法从过去的任务执行数据中学习团队行为的生成模型，然后结合团队的任务目标和生成模型来生成执行时间干预，实验结果表明，自动化干预可以成功提高团队绩效并揭示了改善团队合作的自主代理设计的启示。

Mar, 2023

本文介绍了一种更加广泛适用的人工智能框架 —— 广义人类感知交互（GHAI），通过六类（心理）模型来捕捉人工智能领域中的各种工作，并确定这些工作支持的基本行为模式。使用该框架可以确定当前文献中的潜在差距，提出未来的研究方向以解决这些缺陷。

Feb, 2022

通过模糊认知图确定解释性人工智能模型信任度，评估不同解释满意度对信任度的影响，并结合医学专家在 COVID-19 诊断任务中的表现来分析信任行为。

Jul, 2023

研究表明，当涉及到风险元素和评估人类和 AI 代理能力的探索利用过程时，人工智能和人类在小组决策方面具有互补技能。本文面向一组带有缺陷的 AI 代理人，向人类团队提交一系列智力问题，以评估团队成员和可用 AI 代理人的相对专业知识，评估不同行动的风险并通过达成共识来最大化整体回报，并提出了人工智能 - 人类团队决策的模型。研究验证了在不确定情况下的人工智能团队和人类行为预测中的前景理论、影响动态和贝叶斯学习的社会认知构建的价值。

Jan, 2022

该研究讨论了在未来机器人作为人类队友的角色，并提出了更新智能体结构的方案，强调了自主代理的谋划过程中人类的心智模型要求。

Jul, 2017

本文旨在探讨在临床精神病学中机器学习应用中公平性和偏见问题的探究以及解决策略，通过对临床精神卫生数据的预测，发现性别偏见的问题，并使用 AI Fairness 360 包中的重新加权和歧视感知正则化作为偏差消减策略，并探讨它们对模型性能的影响。这是第一次在真实的临床精神病学数据上应用偏见探索与消减的机器学习模型。

May, 2022