人工智能模型在事实检查任务中表现出令人印象深刻的能力，但该研究发现，AI 事实检查在一些特定情况下会对人们的信念和新闻共享意图造成有害影响，这凸显出了 AI 应用潜在危害性并强调了预防或减轻此类意外后果的政策的重要性。

Aug, 2023

通过一个模拟物体检测系统的实验，我们研究了交互反馈对用户对智能系统及其准确性理解的影响，结果表明提供循环反馈降低了参与者对系统的信任和其对系统准确性的感知，这凸显了在设计智能系统时考虑用户反馈对用户信任的影响的重要性。

Aug, 2020

通过基于在线游戏的实验，研究了使用不同 DSS 特征对人类反应的影响，显示参与者倾向于根据 DSS 建议打分，表现与游戏难度和 DSS 准确性有关，但他们的满意度并不完全与准确性相关。

Mar, 2022

为缓解虚假信息的负面影响，需开发自动化 AI 工具来协助事实核查人员。研究者通过应用信息行为研究方法，对欧洲中部事实核查人员进行半结构化深度访谈，通过底部构建的内容分析方法分析其信息行为和所需支持工具的要求，发现对于 AI 研究有实际意义的需要和问题，为此提出了一些建议。

Nov, 2022

我们研究了用户在评估健康相关陈述的真实性时，对人工智能建议接受行为的探索性评估。我们发现，即使仅仅是 “AI 认为该陈述为真实 / 虚假” 的反馈，也会导致超过一半的用户将其陈述真实性评估移向 AI 建议。给出不同类型的建议会影响接受率，但仅仅得到建议本身的影响通常比建议类型的影响更大。

Oct, 2023

本文识别并量化 IA - 用户交互中的反馈效应，研究发现 IA 的限制会影响用户行为，在短期内减少交互并学习调整交互以获取更好的响应，进而造成反馈循环对未来用户参与的影响。

Mar, 2023

该研究通过提出的两项实证研究，评估了图形界面的可用性，并确定了评分标准、子标准和算法作者的重要性。最终，该研究提出了未来研究的建议，如主动记录与可信度相关的元数据，建立自动可信度评估的用户体验预测因素的明确的分层分类。

Apr, 2022

通过介绍可解释的人工智能（Explainable AI）领域的研究，表明关注图和特征归因图已经成为解释人工智能决策中重要输入特征的常见方式。本研究基于 CHM-Corr 方法，通过构建一个交互界面，使用户能够直接编辑 CHM-Corr 提供的初始特征归因图，从而提高对模型输出的理解，并对交互方法进行了用户研究，结果表明交互方法并未提高用户在基于鸟类图像分类的任务上的准确性，进一步需要深入研究提高人工智能与人类的有效互动。

Apr, 2024

该研究提出了一种基于人机交互的事实检查和追踪社交媒体信息违反相关政策的评估框架，采用现代化的自然语言处理方法和特定斯坦斯分类器通过提取和聚合结构化身份，鉴定和评估可能造成风险的要求，评估基于其潜在风险的全新误导的声明，为人机协助的事实检查提供了一个合理的基准。

Dec, 2022

研究表明通过引入可解释的 AI 助手来解释新闻评论平台中的假新闻，有助于改善用户对算法透明度的理解和信任程度，并提高他们的准确性。

Jul, 2020