May, 2022

为提高参与者满意度而证明社会选择机制结果

PDF
TL;DR在社交选择机制中，因为选择结果不一定是参与者的最优选择，所以需要提供一种方式来使用说明方式加强结果的接受度和满意度。本文提出一种基于理论机制设计文献中的理想机制特征自动生成说明的方法，并通过在排名投票中进行的一系列大规模实验测试了两种方法的有效性。实验结果表明，说明确实影响了参与者的满意度和接受度，尤其当结果（在我们的案例中为胜出的候选人）是参与者最不理想的选择时。自动生成说明与众包说明相比，产生了类似的满意度和结果接受度，从而消除了人为介入的需要，并且显著减少了参与者认为应该选择其他候选人的信念。
social choice mechanismsexplanationsmechanism designcrowdsourcingranked voting
发现论文，激发创造
  • 提高群体诚实度的机制

    本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

    Jan, 2014

  • 在相互环境中提供推荐解释

    在此篇论文中，我们介绍和广泛评估了 “相互解释” 的使用，即提供为什么双方都有望从匹配中受益的推荐系统解释。通过在包括 287 名人类参与者的模拟和真实世界的约会平台中进行广泛的实证评估，我们发现当接受建议涉及重大成本（例如金钱或情感）时，“相互解释” 优于考虑仅推荐接收方的传统解释方法。但是，与人们可能期望的相反，当接受建议的成本微不足道时，相互解释显示出比传统解释方法效果差。

    Jul, 2018

  • 社交解释是否有效？研究和建模推荐系统中社交解释的影响

    本研究探究社交解释在音乐推荐系统中的影响，通过实验探究社交信息在用户决策中的重要性，并提出概率模型和推荐框架，以更好地利用外部信息元素。

    Apr, 2013

  • 解释模型：解释对公正评判的影响的经验研究

    通过一项关于程序生成解释的实证研究，我们发现不同类型的解释如何影响人们对机器学习系统的公平判断，其中某些解释可增强人们对算法公正性的信心，但也有部分解释会被认为是不公平的，此外，不同类型的解释也能更有效地揭示不同的公平问题，因此我们讨论了提供个性化和自适应的解释来支持机器学习系统的公平判断。

    Jan, 2019

  • 自动驾驶解释对驾驶员信任、偏爱、焦虑和心理负荷的影响

    本研究在 32 名实验参与者中使用四种不同条件进行了模拟试驾实验，分别是: (1) 无解释，(2) AV 行动前给出解释，(3) AV 行动后给出解释和 (4) 驾驶员听取解释后选择是否批准 AV 的行动。结果表明，在 AV 行动前提供的解释与更高的信任度和喜好度相关联，但焦虑和心理负荷没有区别。这些结果对于 AV 的采纳有重要的启示作用。

    May, 2019

  • 通过批评与解释交互

    本文提出了一种新颖的使用方面标记的技术，可以从评论文本中生成个性化的推荐解释，允许用户通过批判文本解释来修改推荐条件，在两个真实数据集上的实验证明，该方法可以在单步和多步批判中适应用户的偏好，是一种新型的无监督批判方法。

    May, 2020

  • 群组推荐系统的解释设计

    本文综述了解释在推荐系统中的应用，特别讨论了与群体推荐场景相关的方面，并提出了基于偏好聚合策略确定推荐的不同解释和可视化方法。

    Feb, 2021

  • 重新思考用户研究设计以评估模型解释

    该研究通过一个众包实验，探讨解释机器学习模型的预测对人类是否具有帮助，并发现在给定特征系数的情况下，人们能够更有效地对线性词袋模型进行操纵，但解释对 BERT 型分类器并没有显著提高操纵能力，而通过伪造 BERT 模型的线性模型的对全局归属的解释则可以有效地操作 BERT 型模型。

    Dec, 2021

  • 解释性的提高是否等同于最优性的减损？—— 解释对决策的偏见

    机器学习算法越来越被用于组织的决策中，特征解释引入因果模型的语义，导致决策者的先验偏见泄漏，并产生确认偏见和决策结果的差异，从而导致次优和有偏的决策结果。

    Jun, 2022

  • 信息不足”：解释对自动化决策中信息公平与可信度知觉的影响

    本研究通过人体实验来评估不同的信息类型和信息量对自动贷款批准领域的 ADS（Automated Decision System）的信息公正性和值得信赖度的影响，发现信息量和人的人工智能素养显著影响信息公正性，从而影响 ADS 的可信度。同时，对资料的详尽性、一致性、披露单调关系以及建议的可操作性等方面提出明确的要求。

    May, 2022