Jun, 2024

利用自动策略发现教导人们如何选择更好的项目

PDF
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。
发现论文，激发创造
  • 利用人工智能生成的决策辅助工具提升人类决策能力

    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

  • 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

  • 利用人类辅助完成顺序决策任务的最新进展

    本文综述了五种最近主要依赖于人类指导的机器学习框架及其动机，假设和实施，并讨论可能的未来研究方向。

    Jul, 2021

  • 使用视觉语言模型指导人类决策者的学习

    机器学习模型在高风险任务中辅助人类决策，通过提供可解释且任务特定的指导，而不是取代人类专家的决策能力。

    Mar, 2024

  • 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

  • 大规模公平的数学问题解决策略预测

    利用机器学习和人工智能的方法，通过学生的策略预测模型，以解决问题、适应学生思考方式、个人化学习，提高数学学习效果。

    Aug, 2023

  • 通过示例教人何时听从分类器

    研究了人工智能与人类合作决策的有效性，提出基于样例的教学策略，利用近邻规则和代理的强弱进行教学，有效提高任务表现。

    Nov, 2021

  • 基于高斯过程或贝叶斯神经网络的有约束轨迹探索的主动学习性能比较

    自主机器人和主动学习算法在空间任务中的应用及性能比较研究。

    Sep, 2023

  • 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