专家水平
论文考察了人工系统的认知性能和专家技能所需的特定技能水平以及专业知识储备,并介绍了人工智能 /cog 合奏中认知加强的六个级别,旨在通过这种合作达到合成专业知识的目的,进而实现专业知识的民主化和新的认知系统时代的到来。
Nov, 2022
本文提供了一个交叉学科的观点,以发展由人与机器组成的社会技术群体,通过结合人工智能和人类智能,共同实现复杂目标,并从彼此学习中不断提高。因此,需要为这些系统提供结构化的设计知识,并展示了使这些应用程序的系统开发人员有用的指导。
May, 2021
本研究探讨了在智能系统中遭遇错误时,领域知识和错误出现的顺序如何影响用户的信任。通过用户研究,我们发现,出现错误会对领域专家造成负面影响,与之相反的是,初学者由于缺乏合适的知识来检测错误而过度依赖,而对于更知识渊博的用户,发现正确的输出能帮助他们动态调整他们的信任。
Aug, 2020
研究发现,即使在诊断精度高于人类专家的情况下,人类专家仍然可能会为高风险预测任务添加价值,并提出了一种统计框架来检测这种专家水平。这个框架在急诊科的数据上进行了测试。
Jun, 2023
该论文指出决策者在领域内具有专业知识,并将其用于行动决策,进而提出专业知识应被作为归纳偏见来应用于机器学习中的治疗效果估计问题。作者定义了两种专业知识类型,即预测型和预后型,并通过经验验证了领域内主导的专业知识类型显著影响不同方法在治疗效果估计中的表现,并且能够通过数据集来预测存在的专业知识类型,从而为模型选择提供定量依据。
Mar, 2024
本文对可解释人工智能系统进行了历史概述,重点介绍了知识驱动的系统,在专家系统、认知助手、语义应用和机器学习领域的应用,提出了新的解释和可解释知识驱动系统的定义,以填补现有方法的不足并使解释更加用户和上下文关注。
Mar, 2020
本文旨在提出一个基于人工智能(AI)与人类的协同学习模型,以有效培训新手完成由专家完成的任务,从而保留专家知识和传授给新手,解决专家流失、培训时间和成本高昂的问题。
Jul, 2022
提出了一种新的基于人工智能的分层模型,用于测量人类智力中的问题解决和决策能力。该模型由 7 个不同的层级组成,可为给定问题提供最佳和可说明性的解决方案。
Feb, 2023