通过一个模拟物体检测系统的实验，我们研究了交互反馈对用户对智能系统及其准确性理解的影响，结果表明提供循环反馈降低了参与者对系统的信任和其对系统准确性的感知，这凸显了在设计智能系统时考虑用户反馈对用户信任的影响的重要性。

Aug, 2020

本文使用眼动追踪技术，通过对使用交互式和非交互式 AI 事实核查系统的参与者进行问卷调查，实验发现交互式操作方式对用户停留时间、注意力和使用系统所涉及的心理资源产生了积极的作用。

Feb, 2022

本研究探讨影响人工智能接受意向的因素及其形成过程，结果发现人工智能和 ICT 经验对 AI 接受意向有直接和间接影响，期望是提高了接受意向的关键。因此，有必要管理用户体验并提供详细的信息以帮助潜在用户了解 AI 技术优势并制定现实的期望。

Jun, 2023

研究如何促进人们在决策时更认真地处理和与 AI 的信息相关交互在三种实验涉及人们做出营养决策并接收虚拟 AI 建议和解释，实验结果显示人们在处理带有解释的 AI 建议时去到更深层次的认知需要并获得更多的学习收益。

Feb, 2022

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

设计出无缝、无摩擦的用户体验一直是应用行为科学和人工智能领域的主要趋势，在此中，使令人愉快的行为变得容易和高效的目标在减少用户体验中的摩擦方面起着重要的作用。然而，在某些情况下，摩擦确实有益处，例如故意延迟以增加思考时间，防止个体采取自动或偏见行为，并提供意外发现的机会。本文首次提出了一个 “正向摩擦” 模型，可以帮助描述目前在用户和开发者与人工智能的经验中摩擦是如何有益的，诊断出这些情境中可能需要摩擦的潜在需求，并提供如何利用正向摩擦生成解决方案的信息，特别是随着人工智能的进展和新机会的出现。然后，它在人工智能用户和开发者的背景下探讨了这个模型，提议采用混合 “人工智能 + 人类” 的视角，并提出了进一步探索的问题。

Feb, 2024

内容推荐系统的负面用户影响通常被解释为平台目标与用户福利不一致。然而，本文揭示了即使平台目标与用户福利完全一致，学习算法也可能引起用户的负面影响。用户反馈速率的差异可能影响学习算法与不同内容的互动，进而无意中推广具有特定属性的内容。我们的研究结果强调了除了后悔之外，对算法性能的评估还需要关注学习算法与不同类型内容的互动方式及其带来的下游影响。

Jan, 2024

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

本文研究了通过人类用户反馈不断改进提取问题回答（QA）系统的方法，并设计和部署了一个迭代方法，在多种设置下进行实验以扩大对随时间反馈学习的理解。我们的实验显示，从不同数据环境下的用户反馈中能够有效提高提取 QA 模型，包括适应领域的潜力。

May, 2023

本文通过行为科学研究社会互动中的一种现象，发现用户可能会在代理人评估中使用无关信息。作者的分析表明需要改进模型以考虑此类偏见，同时代理人也可以通过相应机制来检测和纠正用户的这种偏见。

Jan, 2023