考虑到人对人工智能建议的忽视以及人工智能在最相关时刻有选择性地提供建议的需要，本文提出了一个顺序决策模型，该模型考虑到人的依附水平并引入了一个推迟选项，以便机器能够暂时不提供建议，并提供了能够学习最佳建议政策并仅在关键时间点提供建议的学习算法。与通用强化学习算法相比，我们的专门化学习算法不仅具有更好的理论收敛性能，而且表现出强大的实证性能。

Oct, 2023

开发了一种 “遵循感知 Q-learning” 算法，通过学习 “遵循水平” 来捕捉人类决策者遵循推荐行动的频率，实时推导出最佳推荐策略，证明了该算法收敛到最优值并在各种情境下评估了其性能。

Sep, 2023

通过利用潜在结果的框架，我们在不限制诸如建议对决策的影响的条件下，规范了协助人类决策者的推荐算法的设计，并引入了一个单调性假设，该假设导致了对算法的人类响应的直观分类， 我们通过在线实验展示了我们框架的效用，并认为我们的方法可以解释实验中不同推荐算法的相对性能，并可以帮助设计实现人工智能与人类的互补性的解决方案。

May, 2024

现有的算法公平性方法旨在确保人类决策者与算法决策完全一致，然而，在人工智能与人类协作中，与算法的完全一致很少实现或者甚至是不可取的。我们提出了 “合规性鲁棒公平算法推荐” 概念，它能够保证在决策中改善公平性，无论人类的合规模式如何。然而，我们发现设计同时具备独立公平性、合规性鲁棒公平性和比人类决策更准确的算法推荐可能是不可行的，因此，如果我们的目标是改善人工智能与人类协作的公平性和准确性，可能不应强制执行传统的公平性约束。

Oct, 2023

通过对已有的案例进行分析，本文提出了交互式人工智能决策辅助系统的设计，旨在通过学习人类的选择来决定何时提供算法支持，从而提高决策的准确性和可靠性。作者在美国刑事司法系统的前期释放审判方面进行了大规模实验，并发现交互式辅助系统能够在必要的时候提供准确的建议，与固定的非交互式系统相比较，可以显著提高人类的决策水平。同时，交互式辅助系统还具有促进人类学习、保护人类决策者补充优势、促进对建议的更积极响应等优点。

Sep, 2022

在涉及人工智能平台向人类决策者提供建议但最终决策责任由人类承担的网络物理人系统中，人类决策者可能因各种原因偏离最优建议决策，本文提出了一个严格的框架来解决这个问题，并建立了最优建议策略的结构属性和人工智能使用的近似人类模型，提供了一个数值实例以说明结果的有效性。

Mar, 2024

本文研究 AI 辅助决策的团队决策，在考虑决策者面临的协同成本、不完美的算法决策等限制条件下，研发了人工智能团队学习框架和 TeamRules 算法，可提供有针对性的决策建议并在处理协同成本和团队准确性之间的平衡上产生显著的效果

Oct, 2022

本文分析了 AI 辅助决策中人类对模型建议过度或不足的倾向对准确性的影响，并提出了一个可视化框架以帮助比较和解释实证结果和干预策略。

Apr, 2023

本文探讨了一种学习人类决策者并提供 “个性化推荐” 以控制最终决策的决策辅助算法，分析了如何达到最终决策的完美控制条件，并讨论了算法的潜在应用及其社会影响。

Mar, 2023

AI 决策支持在航空等高风险领域有望提高人类决策能力，但由于过度依赖和与用户决策不一致等挑战，其应用常受限制。本研究旨在比较推荐为中心的支持与连续支持这两种不同范式在航空改航决策中的效果，考察结果表明连续支持结合推荐有助于飞行员向前思考超出系统限制的更多可能性，提供更快速的决策，而前向支持可能会受到干扰。参与者的陈述进一步建议将设计目标转移到支持快速信息获取，为超越全流程推荐的更有帮助和有效的 AI 决策支持提供了设计思路。

Jun, 2024