Jan, 2023

面向协同人工智能任务的用户中心策略推荐系统设计

PDF
TL;DR本文旨在研究设计面向用户的策略推荐系统时需要考虑的重要因素。我们进行了一项人体实验，测量了不同性格类型的用户对不同策略推荐系统的偏好，并发现某些人格特征明显影响了特定类型的系统的偏好。最后，我们报告了推荐的可用性、一致性和感知智能之间的有趣关系，其中更高的一致性与个人偏好推荐会导致更高的感知智能和可用性。
artificial intelligenceuser-centric strategy recommendation systemshuman-subjects experimentpersonality typesperceived intelligence
发现论文，激发创造
  • 基于人工智能推荐系统对人类行为影响的调查：方法、结果与未来发展方向

    通过系统化调查分析了推荐系统在社交媒体、在线零售、城市地图和生成 AI 生态系统等四个人工智能生态系统中的影响，提出了一种简洁的分类方法，讨论了方法学和结果，并展望了未来的研究方向。

    Jun, 2024

  • 个性化推荐系统综述

    本篇论文主要研究并对个性化推荐系统进行系统分类，比较其个性建模方法和推荐技术的不同设置，并列举出常用的数据集并指出一些挑战。

    Jan, 2021

  • 用户策略与可信算法

    人面向算法的战略行为对算法的可靠性和决策能力有负面影响，因此需要设计可信的算法，研究用户信任的形式化方法及潜在干预手段。

    Dec, 2023

  • 推荐中的策略化测量：用户调整行为以塑造未来内容

    用户行为对推荐算法产生影响，用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在，推荐平台需要考虑算法对用户行为的影响。

    May, 2024

  • 设计算法推荐以实现人工智能与人类的互补性

    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

  • 智能物理人系统中有效的人工智能推荐框架

    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

  • 超越推荐：从向后到向前的人工智能支持飞行员的决策过程

    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

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 评估一种协助初学游戏设计师的推荐系统

    利用人工智能驅動的遊戲設計輔助系統來幫助設計師建議遊戲機制，通過量化研究證明系統能提高用戶生產率，精度，減少工作負荷。

    Aug, 2019

  • 推进人工智能和人类互补性：用户专业知识和算法调优对共同决策的影响

    研究了用户与三个模拟算法模型的交互，发现较低水平的用户虽然能从 AI 建议中受益，但是他们的决策水平却没能达到 AI 的精度，高水平用户则通常能辨别何时应该遵循 AI 建议并保持或提高其性能，而中等水平者则最不稳定，AI 建议会对其性能产生帮助或伤害，此外，用户对 AI 性能的感知也对决策的精度影响非常大。该研究提供了关于人工智能协作相关复杂因素的见解，并提出了如何开发以人为本的人工智能算法以辅助用户在决策任务中的建议。

    Aug, 2022