本文研究解释型人工智能（XAI）的性能评估，包括解释质量、用户满意度、用户对人工智能系统的理解度、好奇心的激发、信任及依赖程度以及人机协同的表现。根据广泛的研究文献和心理测量评估结果，提出相应的方法和建议。

Dec, 2018

介绍和探索社交透明度(ST)的概念，该概念将社会组织背景融入到解释人工智能决策的过程中，旨在提高人工智能决策的信任度、改善决策过程、促进组织集体行动和增强说服力。

Jan, 2021

本文介绍了可解释AI的技术领域以及人们对人机交互和用户体验设计日益重视，在XAI的设计、评估、概念和方法论工具方面提供人本方法的作用。本文旨在提供人本的XAI设计，并帮助传达和扩展已有的XAI工具箱。

Oct, 2021

本研究介绍了四个新的可解释人工智能技术问题，这些问题围绕设计和评估算法，并呼吁建立基于人类需求的可解释人工智能技术开发研究范式，以保证人工智能在关键任务中的负责任使用。

Aug, 2022

通过对鸟类识别应用程序的最终用户进行混合方法研究，我们发现参与者们希望获得实际有用的信息，以改善与人工智能的协作，尤其是需要参与者使用XAI解释以达到各种目的，包括校准信任、提高任务技能、改变他们的行为以提供更好的输入等

Oct, 2022

本文通过系统文献综述，评估了85篇人基于XAI评估的核心论文，并对解释方法的可信、可懂、公平、可用性和人工智能团队表现等进行了归类。作者提出了关于设计和进行XAI用户研究的最佳实践指南，并强调了将心理科学和以人为中心的XAI联系起来的几个开放研究方向。

Oct, 2022

论文研究了可解释AI的社会技术性质，提出社会技术差距并设计了一个框架来系统地研究该差距，以获得可操作的见解并扩展XAI设计空间。

Feb, 2023

研究了用户如何与AI系统进行交互以及增加必要的背景是否有助于减轻过度依赖于AI预测的问题，并发现提供相关背景信息有助于用户更好地捕捉错误，并减少对不正确AI预测的过度依赖。

May, 2023

解釋性人工智能 (XAI) 系統需要考慮人們的文化差異，並確定不同文化背景下的使用者對於解釋的需求，以免產生文化偏見，目前的研究普遍忽略了這方面的變異，這項研究旨在填補這一知識空白。

Feb, 2024

AI逐渐在不同领域中变得越来越普遍。然而，由于复杂的基于AI的系统通常是黑盒的，决策逻辑不透明，用户发现很难遵守它们的建议。虽然研究人员正在调查可解释的人工智能（XAI）以增强底层机器学习模型的透明度，但有效的解释类型和其他增加遵从的因素仍不清楚。为了更好地了解这些因素的相互影响，我们进行了一个实验，涉及562名参与者，他们接收到一个人工智能系统的建议和两种不同类型的XAI。我们发现引入XAI后，用户的遵从度增加，但也受到人工智能素养的影响。我们还发现，人工智能素养、XAI和用户的遵从度之间的关系受用户对人工智能的心理模型的中介影响。我们的研究对成功设计利用XAI的基于人工智能的系统具有几个意义。

Jun, 2024