Jun, 2024
利用自动策略发现教导人们如何选择更好的项目
Leveraging automatic strategy discovery to teach people how to select better projects
Lovis Heindrich, Falk Lieder
TL;DR首次将人工智能用于项目选择决策,在真实世界中发现并教授优化了人们的决策策略。结果表明,该方法能够改善类似真实世界项目选择的自然环境中的人类决策,为在真实世界中应用策略发现提供了初步的方向。
Abstract
The decisions of individuals and organizations are often suboptimal because
normative decision strategies are too demanding in the real world. Recent work
suggests that some errors can be prevented by leveraging artificial
intelligence to discover and teach →
suboptimalartificial intelligenceprescriptive decision strategiesproject selectionstrategy discovery
发现论文,激发创造
利用人工智能改善在大型部分可观测环境中的人类规划
该研究开发了第一个元推理算法来发现资源合理策略,将其应用于人类在部分可观察环境下的规划中,并通过智能教师教授学习所得的策略,以提高人类在复杂、部分可观察的序列决策问题中的规划能力。
Feb, 2023
面向协同人工智能任务的用户中心策略推荐系统设计
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。
Jan, 2023
学习何时向人类决策者提供建议
通过对已有的案例进行分析,本文提出了交互式人工智能决策辅助系统的设计,旨在通过学习人类的选择来决定何时提供算法支持,从而提高决策的准确性和可靠性。作者在美国刑事司法系统的前期释放审判方面进行了大规模实验,并发现交互式辅助系统能够在必要的时候提供准确的建议,与固定的非交互式系统相比较,可以显著提高人类的决策水平。同时,交互式辅助系统还具有促进人类学习、保护人类决策者补充优势、促进对建议的更积极响应等优点。
Sep, 2022
基于模拟的策略分析的蒙特卡罗树搜索
本文提出使用自动规划代理来模拟不同技能水平的人来生成游戏过程,并从中收集指标以评估当前的游戏设计并确定其潜在缺陷。本文以 Scrabble 和 Cardonomicon 为案例,展示了使用模拟代理来模拟人类玩家如何从游戏中提取度量(在 Scrabble 的情况下)以及突出设计缺陷(在 Cardonomicon 的情况下)。
Aug, 2019