- 探索从业者对训练数据归因解释的见解
解释性人工智能旨在向人类提供对不透明模型推理的深入理解，是一个跨学科的领域。本文通过对 10 名实践者的访谈，确认了在实践中训练数据质量通常是高性能模型的最重要因素，并且模型开发者主要依靠自己的经验来策划数据。最终用户期望解释能够增强他们与 - 我与我的机器：ChatGPT 与非洲未来的人机协作
在非洲，ChatGPT 作为一种人工智能辅助技术在学术界和工业界得到了广泛采用和实施，本综述主要通过对 51 篇 2019 年至 2023 年的文章进行反思性主题分析，揭示了 ChatGPT 在教育和研究等学术领域内改善人机协作的相对高效性 - SummHelper：协作式人机摘要
SummHelper 是一个 2 阶段的摘要化助手，旨在促进人机协作，通过内容选择和内容整合两个阶段，平衡自动化指导和个人输入的机会，并生成一份凝练有序的摘要。
- 检测 ChatGPT 生成文本的波兰比例：ChatGPT 是否涉猎到文本？
通过引入 HPPT 数据集和 “Polish Ratio” 方法，本研究提出了更强健的检测器，可以区分纯 ChatGPT 生成的文本和 ChatGPT 优化的人工写作文本，并且通过量化 ChatGPT 的参与度，提供了更全面的解释性。
- 通过 xAI 和主动学习，将人类置于 AI 循环之中，以进行视觉检查
介绍了工业 5.0、人机协作、质量检测和视觉检测的现状。提供了如何实现和加强视觉检测中的人机协作的观点。最后，分享了 EU H2020 STAR 项目所取得的关于视觉检测、人工智能、人类数字孪生和网络安全的一些实验结果。
- 预测算法故障模式高效识别
通过人机协作框架和随机采样算法，以设计平衡探索和利用的措施为手段，从未标记数据中高效地识别误分类模式，并运用行列式点过程构造生成器，展现了竞争性能的实验结果。
- 使用 ChatGPT 进行软件开发人员比较：实证调查
本文通过对比软件工程师和人工智能系统（如 ChatGPT）在不同评价指标下的性能表现，探讨了它们各自的任务适用性，以促进人机协作、提高 AI 方法的可靠性和理解，以及实现协作工作结构和人在循环过程。
- 人类和机器有相同的眼睛吗？基于图像分类的人机感知差异
该研究比较了人类和机器视觉模型在特定任务上的表现差异及难度排名，通过实验展示了一种基于人机协作的方法，在视觉任务中取得了更好的成果。
- 人工智能：70 年回顾
本文简述了人工智能的近一个世纪发展历程，总结了发展趋势并发现了普遍规律，分析了过去失败和现在成功的原因，强调了哲学思维在理解和解决人工智能问题中的重要性以及重点发展方向应该是人机协作和以计算能力为核心的技术路径。
- AAAI基于能力感知深度强化学习的全局和局部趣味性分析
本文扩展了一个基于 “趣味性” 分析的可解释强化学习框架，并提出了用于评估强化学习智能体竞争力的新机制。这些工具在人机协作环境中为用户提供关于强化学习智能体能力和局限性的见解，以使用户能够做出更加明智的决策。
- AAAIBIASeD: 将非理性引入自动化系统设计
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
- 人类辅助的协作问题解决：一种基于自然语言的框架
本文介绍了一个人机协同问题解决框架，其中包含自然语言引擎、概念学习器和 HTN 规划器等三个组件，通过在基于 Minecraft 的积木世界中进行合作构建任务来演示该框架解决协同问题解决的关键挑战。
- 评估 Hanabi 游戏中基于学习和基于规则代理的人工智能团队
本研究在人机合作游戏 Hanabi 中单盲评估了基于规则和基于学习的人工智能代理团队。结果表明，尽管两种团队在比赛得分上没有显著差异，但在案例理解性、信任度和总体偏好等主观评估指标上，人类普遍更喜欢基于规则的人工智能伙伴（SmartBot） - IJCAI使用赌博反馈技术辅助人工智能合作
本文提出和开发了一个针对带赌徒反馈的人机协作问题的解决方案，旨在利用人机互补性最大化决策收益，在多个人类决策者的环境中展开并表现出效用，并呈现出当机器和人类各自单独做出决策时，我们的方法胜过两者的能力，以及如何在多个人类决策者的情况下实现个 - 混合智能
探讨了人类智能与人工智能在预测特定结果方面的优劣，提出了在未来几十年内的劳动分工典范可能是混合智能。这个概念旨在利用人类智能和人工智能的互补优势，以使它们能够比两者分别表现得更好，并探讨了其在组织上下文中的应用。
- IJCAI将领域知识融入深度神经网络
本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。
- Fluid Annotation: 全图注释的人机协作接口
Fluid Annotation 是一种基于人机协作原则的智能图像标注方法，其特征在于利用强大的神经网络模型帮助标注，实现一次性全图标注，并赋予标注人员灵活选择标注对象进行有针对性的标注以节省标注预算。经实验，在 COCO+Stuff 数据 - IJCAI人机协同优化通过学徒调度
通过成对排名的形式来捕捉领域专家的启发式方法，以推动人机协作优化。此技术在武器到目标指派问题上表现出比人类专家产生的解更好，而且速度更快，可用于解决比人类演示者解决的问题的两倍复杂问题。
- 人工智能与统计学
在人工智能研究中，通过人机协作、考虑种群、问问题、培训数据的代表性以及结果的审查等统计概念，采用随机化和本地控制的实验设计原则以及稳定性原则来获得算法和数据结果的可重复性和解释性。