人工智能在各个应用领域可以提高人类决策能力。理想情况下，人类与人工智能之间的合作应该能达到互补的团队表现，尽管迄今为止，很少观察到这种互补的现象，这表明对于决策中人工智能与人类合作中的互补成分的理解仍然不足。本文建立了一个关于理解和开发人工智能与人类互补性的整体理论基础。我们通过引入和形式化互补潜力及其实现的概念来概括互补性。此外，我们确定并概述了解释互补团队表现的来源。我们通过两项实证研究将我们的概念应用于实证验证两个不同的互补潜力源。第一项研究中，我们关注信息不对称作为一种来源，并在房地产评估应用案例中证明人类能够利用独特的背景信息实现互补团队表现。在第二项研究中，我们关注能力不对称作为另一种来源，展示了异质能力如何帮助实现互补团队表现。我们的工作为研究人员提供了关于人工智能决策中互补性的理论基础，并证明利用互补潜力来源是有效人工智能与人类合作的途径。

Mar, 2024

通过提出一种统计决策理论为基础的可靠性的正式定义，将研究中对合理依赖的定义与人工智能系统准确预测的信号区分和形成准确信念所面临的挑战分离，为人工智能与人类之间的互补性研究提供了一个可以指导设计和解释的框架。

Jan, 2024

近年来，人工智能的不断发展已经在许多应用领域中提高了人类的决策能力。人工智能与人类之间的互补团队表现（CTP）可能会带来超过个体人工智能或人类所能达到的表现水平。通过在线实验，我们证明了在特定的决策情境下，人类可以使用特定的信息不对称性来调整人工智能的决策，最终实现 CTP。

May, 2022

本文介绍了一个过程导向的适当依赖概念，称为关键使用，通过将人类的能力与 AI 模型无法获取的知识相对比，以帮助人们辅助 AI 决策时的判断。通过在一个复杂的社会决策环境下进行随机在线实验来探索如何支持关键使用的训练，我们发现通过在这种情况下为参与者提供加速的、低成本的机会来练习 AI 辅助决策，新手参与者开始表现出与经验工作者相似的与 AI 不一致的模式。参与者对其 AI 辅助决策的解释的定性研究表明，他们参考了 AI 模型无法获取的定性案例叙述，以学习何时（不）依赖 AI 预测。我们的研究结果为实现真实世界的 AI 辅助决策的培训提出了新的问题和设计思路。

Aug, 2023

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

该研究针对 AI 辅助决策中人类决策者何时应该信任 AI，何时应该信任自己的问题，提出了基于任务实例级别的双方正确概率计算及三种信任校准策略，并进行了两项初步研究和一项比较实验，结果表明该方案的效果显著提高了人类对 AI 的适当信任，为更人性化的 AI 决策提供了实用意义。

Jan, 2023

本文针对人工智能顾问给出的建议存在问题的问题展开讨论，提出了适当依赖（AR）的概念及其度量方法。

Apr, 2022

探索人工智能与人类之间的协作，提出一种基于学习互补策略的方法，利用算法来补充人类的不足，实现优化的决策，同时在不同的应用场景中提供有效的性能改进。

Feb, 2023

本文分析了 AI 辅助决策中人类对模型建议过度或不足的倾向对准确性的影响，并提出了一个可视化框架以帮助比较和解释实证结果和干预策略。

Apr, 2023

在复杂的模拟环境中，研究表明人工智能与人类的合作胜过仅有人类或仅有人工智能代理的情况，并开发出了一种用户界面，使人类有效地协助人工智能代理。

Dec, 2023