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

本文系统审查了建议系统中的解释问题，探究了其目的、生成方式、呈现方式和评估方式，并提出了一个全面的分类法，其中包括解释目标、响应性、内容和呈现等方面，同时还识别了许多未解决的挑战。

Jun, 2020

人工智能在决策支持系统中的应用主要集中在技术进步方面，忽视了算法输出与人类期望的一致性。为了解决这个问题，可解释的人工智能提倡更加以人为中心的发展。为了更好地理解人与人工智能的交互，我们通过对 105 篇选定文章进行系统综述，提出了一种交互模式分类系统，以深入研究不同人机交互方式。通过对现有研究的分析发现，现有的交互方式主要是简单的合作模式，对于真正的交互功能的支持相对较少。我们的分类系统将有助于理解当前决策环境中人与人工智能的交互方式，并促进交互设计的有意选择。

Oct, 2023

评估了基于人工智能决策支持系统与改进的人机界面的影响和应用，利用动态影响图、隐藏马尔可夫模型和深度强化学习，在复杂工业和化学过程控制室中减轻操作员负担、提高情景感知以及提供不同干预策略的功能。

Feb, 2024

本文提出应用基于规则的机器学习方法 —— 学习分类器系统来促进透明决策，并介绍了一些提高它的技巧。我们还提出了七个问题的模板来评估特定应用领域的可解释性需求，并在制造情景的面试案例中演示了其用法。结果表明这些答案为良好设计的 LCS 模型提供了有用的见解，并要求利益相关者积极与智能代理进行互动。

Jul, 2022

本文讨论了使用自适应实验设计方法在非稳态的工业环境下进行实验的挑战和陷阱，提供了在这些环境中的正确目标和系统规格的不同观点，并基于这些经验开发了一个自适应实验设计框架用于对照推断，并在商业环境中进行了测试。

Oct, 2022

为应对气候现象引起的基础设施风险，提出了一种基于技术的自适应决策支持系统（TDADSS-IPM），采用贝叶斯信念网络（BBN）实现丹麦道路状况的实际情况。

May, 2023

决策与信息展示是可解释人工智能、人工智能与人类协作以及数据可视化等领域的研究重点。然而，何为决策问题以及为何需要实验来得出人类决策存在某种缺陷的结论，这些问题仍然存在争议。我们提出了一种广泛适用的决策问题定义，结合了统计决策理论和信息经济学。我们认为，要将人类表现中的损失归因于偏见形式，实验必须向参与者提供一个理性代理人所需的信息，以识别规范决策。我们评估了近期关于人工智能辅助决策的决策研究评估在多大程度上满足这一标准。我们发现，在 35 项声称发现存在偏见行为的研究中，只有 6 项（17%）为参与者提供足够的信息来表征其行为与良好决策制定有所偏离。通过描述性能损失的特征，我们阐述了研究明确定义的决策问题的价值，并对问题表述不清晰的决策问题的模糊性进行了对比，这限制了规范的解释。最后，我们给出了一些建议以促进实践。

Jan, 2024

本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架，采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比，我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方法，同时进行探索以收集相关信息。我们的方法适用于离散和连续治疗，与其他基线相比，模拟研究表明了我们提出的信息理论方法具有更好的性能。

Jul, 2022

我们提出了一种人本解释方法，用于法律领域的基于规则的自动决策系统。我们首先建立了一个概念框架来开发解释方法，并表示其关键内部组件（内容、沟通和适应性）和外部依赖（决策系统、人类接收者和领域）。其次，我们提出了一种解释方法，使用图数据库实现基于问题驱动的解释和多媒体展示。这样，我们可以根据用户需求定制解释。最后，我们展示了我们的概念框架如何适用于荷兰税务和海关总署的真实场景，并为该场景实现了我们的解释方法。

Oct, 2023