通过在解释性人工智能（XAI）中引入用户中心评估框架，我们希望综合评估方法，总结解释属性，建立相互关系，并分类度量这些属性，以期为 XAI 评估的人本标准化做出贡献。

Jul, 2023

提出了一个以用户为中心的框架，旨在为非专业用户提供交互式可解释人工智能解决方案。

Sep, 2021

本文提出一种基于系统论的统一、包容、用户中心分类法，旨在解决现有的以专家为中心的可解释人工智能方法的不足之处，以此评估适用于不同用户类型的解释方法的适当性和性能。

Mar, 2023

本文探讨了人类尺度的设计、测试和实现 Explainable Artificial Intelligence 的基本概念，并提出了一种 “自解释指南” 的方法，以帮助开发人员了解如何通过启用自解释来赋能用户。最后，提出了一套经过实证基础、以用户为中心的设计原则，可以指导开发人员创建成功的解释系统。

Feb, 2021

本研究通过心理物理实验评估了 AI 系统的说明方法的人类使用者的理解能力，并发现不同的场景对于提高人类理解 AI 系统的说明方法的效果存在较大的差异，因此需要开发提供定性信息的补充方法。

Dec, 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

本文提出了一种在人性化设计和敏捷开发中建立和维护信任的理论框架，它强调了商业技术的协同创新过程。框架的目的是通过让所有利益相关者参与到项目中来，将人工智能技术与人们一起设计、开发和部署，以创新和改进业务。以医院规划助理为例，展示了该框架在实际应用中的效果。

Sep, 2022

本文提出了基于人类中心 AI 准则和用户调查的新框架，以帮助收集人类中心的 AI 软件的需求，该框架适用于 360 度视频虚拟现实应用的案例研究。研究结果表明，该方法可以帮助团队全面理解项目需求，并确定在 AI 软件工程过程的初始阶段和后期阶段需要捕获的需求。

Mar, 2023

介绍了以人为中心的可解释人工智能作为一种方法，该方法考虑了价值观、人际动态和人工智能系统的社会情境性，通过反思的社会技术方法，提出了开放性研究问题，文献以解释系统为例，讨论了人类的因素如何影响系统技术进步，并提出了基于批判性技术实践的反思的 HCXAI 范式，以及价值敏感设计和参与式设计等策略。

Feb, 2020

本文探讨了机器学习中公平性、可解释性、人本主义、社会偏差等问题，并提出了一种以人为本的人工智能方法，以增强分类系统和单词嵌入的可解释性和公平性，通过 D-BIAS 等可视化工具识别和缓解社会偏见。

Jun, 2023