本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。

May, 2019

使用机器学习和认知科学的方法为人类决策制定决策辅助方法，将其转化为自然语言指令可显著提高决策性能。

Mar, 2022

研究表明，当涉及到风险元素和评估人类和 AI 代理能力的探索利用过程时，人工智能和人类在小组决策方面具有互补技能。本文面向一组带有缺陷的 AI 代理人，向人类团队提交一系列智力问题，以评估团队成员和可用 AI 代理人的相对专业知识，评估不同行动的风险并通过达成共识来最大化整体回报，并提出了人工智能 - 人类团队决策的模型。研究验证了在不确定情况下的人工智能团队和人类行为预测中的前景理论、影响动态和贝叶斯学习的社会认知构建的价值。

Jan, 2022

基于数据驱动算法的人工智能在当今社会中已普遍应用，但在许多情况下，尤其是当风险较高时，人类仍然作出最终决策。本研究引入了一种新的方法框架，可用于在无额外假设的情况下实验性地回答这个问题。我们采用标准分类指标来衡量决策者做出正确决策的能力，通过单盲实验设计随机对案例进行人工智能生成的建议，并由人类作出最终决策，我们比较了三种可选的决策系统的表现：单独人类、人类辅助人工智能和单独人工智能。对我们自己进行的随机对照试验中的数据应用了提出的方法论，发现人工智能建议并没有提高法官决定是否强制缴纳保释金的分类准确性。分析还表明，单独人工智能的决策通常比人类决策（无论是否辅助人工智能）表现更差。最后，相比白人被捕者，在对非白人被捕者的针对性保释方面，人工智能建议往往不必要地更频繁地强制缴纳保释金。

Mar, 2024

通过将 AI 辅助决策视为人类决策过程中的 “推动”，我们提出了一个计算框架，用于解释不同形式的 AI 辅助对决策者的影响，并根据真实数据对其进行评估。研究结果显示，该框架在准确预测 AI 辅助决策中的人类行为方面优于其他基准模型，并提供了不同认知风格的个体受到不同形式 AI 辅助时的洞见。

Jan, 2024

通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

Dec, 2022

研究了人工智能辅助下的人类决策制定，结合超过 100 篇论文总结了该领域的三个重要方面，即决策任务、AI 模型和 AI 辅助元素以及评估指标并提出了未来研究建议，强调建立共同框架以促进人工智能和人机交互社区协作，形成推广的科学知识。

Dec, 2021

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

提出 “集成信息” 概念解决了人工智能长期受制于处理数据而非处理信息的困境，将智能解释为信息处理的产物，不再需求仿生人脑来实现信息处理，探究了这种人工智能系统设计哲学的变革。

Feb, 2015

深度学习模型与人类决策过程相似，但其决策过程易受干扰。我们提出了一种新的注证过程，通过模拟选择性注意力来增强深度学习模型的鲁棒性。实证评估表明，这种新的注证过程可以提高深度学习模型的准确性，并帮助我们建立安全措施以减轻其在人工和自然对抗样本方面的脆弱性。

Nov, 2023