Trusting the Search: Unraveling Human Trust in Health Information from Google and ChatGPT
本研究通过混合方法实验（N=21）比较用户对ChatGPT与Google健康信息的信任，发现ChatGPT信任度更高，且信任受先前知识、呈现风格和交互方式影响，凸显LLM在健康信息搜索中的潜力。
2024-03-15 cs.HC
Through the Looking-Glass: AI-Mediated Video Communication Reduces Interpersonal Trust and Confidence in Judgments
Bauhaus University（包豪斯大学）；Stanford University（斯坦福大学）
研究探讨AI介导的视频处理对人际信任和判断信心的影响，发现AI处理降低信任和信心，但不影响实际判断准确性。
2026-03-19 cs.AI cs.HC cs.MM
Exploring the Interaction of Explanation Styles, Context, and Trust of AI Privacy Redaction in AI-mediated Interactions
Fujitsu Research of America（富士通美国研究院）；Carnegie Mellon University（卡内基梅隆大学）
研究人工智能介导通信中隐私编辑解释对用户信任的影响，设计场景并开展用户研究，发现提供解释能提升信任，上下文因素有影响，解释偏好因个体差异而异，强调平衡透明度与隐私及适应性解释对设计可信AI系统的重要性。
2026-07-09 cs.HC
From Search Agents to Dissemination Interfaces: Understanding Human Trust in Health Information from Conversational Search
University of Amsterdam（阿姆斯特丹大学）；National Institute of Informatics (NII)（日本国立情报学研究所）；Aalto University（阿尔托大学）；Tilburg University（蒂尔堡大学）；Southeast University（东南大学）；Centrum Wiskunde & Informatica (CWI)（荷兰数学与计算机科学研究中心）；Utrecht University（乌得勒支大学）
本研究通过两项混合方法研究，发现人们对ChatGPT提供的健康信息信任显著高于谷歌，且传播界面类型会显著影响这种信任，为开发可信的LLM驱动健康工具提供了关键见解。
2026-08-24 cs.HC
Trust Stack for Mental Health AI: A Survey of Calibration across Human, Interaction, and AI Layers
National Institute of Informatics (NII)（日本国立信息学研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出三层信任框架，整合关键利益相关者观点，系统回顾心理健康领域AI研究，指出NLP与实际需求间的差距，提出构建社会技术一致且真实可信的AI研究方向。
2026-08-24 cs.CL cs.HC
Understanding Trust Toward Human versus AI-generated Health Information through Behavioral and Physiological Sensing
研究通过行为和生理传感分析人们对人类与AI生成健康信息的信任差异，发现透明标签影响信任水平，行为特征可辅助验证信任感知。
2025-12-13 cs.HC
Discerning Authorship in Online Health Communities: Experience, Trust, and Transparency Implications for Moderating AI
Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹）；Jönköping University（延雪平大学）；University College London（伦敦大学学院）
研究探讨在线健康社区中用户辨别AI生成建议作者身份的能力，发现透明度与信任的重要性，尽管用户难以区分AI与人类生成内容，但健康状况有显著影响。
2026-04-21 cs.CY cs.HC
Trade-offs in Social-Norm Framings for Health Chatbots: Balancing Trust and Preference
Harvard University（哈佛大学）；Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
该研究针对印度农村61位社区卫生工作者，对比四种社会规范框架的效果，发现叙事框架受偏好但易致过度依赖、权威框架不受偏好却支持校准信任，提出适配语境的动态框架设计建议。
2026-08-20 cs.HC
Wearing Trust: How Older Adults Calibrate Reliance on Health Wearables Through Bodily Experience and Everyday Use
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；University of Shanghai for Science and Technology（上海理工大学）
本研究通过31次中国半结构化访谈，探究老年人如何校准对健康可穿戴设备的依赖，发现其依赖品牌等线索但存在可观察性差距，并提出相关设计方向。
2026-08-11 cs.HC
Examining the Effect of Explanations of AI Privacy Redaction in AI-mediated Interactions
Fujitsu Research of America（富士通美国研究院）；Carnegie Mellon University（卡内基梅隆大学）
研究探讨AI中介互动中解释擦除操作对用户信任的影响，发现解释能提升隐私保护效果，且情境因素和个体差异影响解释效果。
2026-08-10 cs.HC
The Agony of Opacity: Foundations for Reflective Interpretability in AI-Mediated Mental Health Support
University of California, San Francisco (UCSF)（加州大学旧金山分校）；Northwestern University（西北大学）；Feinberg School of Medicine, Northwestern University（西北大学费恩伯格医学院）；Microsoft Research（微软研究院）
本文提出了一种面向人工智能辅助心理健康支持的反思可解释性方法，旨在提升用户对模型输出的理解和自主性，以应对严重心理困扰的特殊需求。
2026-02-20 cs.HC
Regaining Trust: Impact of Transparent User Interface Design on Acceptance of Camera-Based In-Car Health Monitoring Systems
本研究通过在线实验（42名参与者）发现，透明引导设计能显著提升用户对基于摄像头的车内健康监测系统的信任与体验，且不增加引导时间，为隐私友好型系统设计提供指导。
2024-08-27 cs.HC
Ignore, Trust, or Negotiate: Understanding Clinician Acceptance of AI-Based Treatment Recommendations in Health Care
医疗保健中的人工智能（AI）有可能改善患者的治疗效果，但临床医生的接受程度仍然是一个关键障碍。我们开发了一种新的决策支持界面，为脓毒症提供可解释的治疗建议，脓毒症是一种危及生命的疾病，其中决策不确定性很常见，治疗实践差异很大，即使采用最佳决策也可能发生不良结局。该系统形成了一项混合方法研究的基础，在该研究中，24名重症监护临床医生对真实患者病例做出了人工智能辅助决策。我们发现，解释通常会增加对AI的信心，但与具体建议的一致性超出了先前工作中描述的二元接受或拒绝。尽管临床医生有时会忽视或信任人工智能，但他们也经常优先考虑建议的各个方面，以遵循，拒绝或延迟我们称之为“谈判”的过程。“这些结果揭示了采用以治疗为中心的AI工具的新障碍，并提出了更好地支持不同临床医生观点的方法。
2023-01-31 cs.HC
Health App Reviews for Privacy & Trust (HARPT): A Corpus for Analyzing Patient Privacy Concerns, Trust in Providers and Trust in Applications
Institute for Data Science & Informatics, University of Missouri（密苏里大学数据科学与信息学研究所）；Dept. Electrical Engineering & Computer Science, University of Missouri（密苏里大学电气工程与计算机科学系）；Dept. of Computer Science, Yale University（耶鲁大学计算机科学系）
HARPT语料库通过大规模标注的患者评论，旨在提升对电子健康应用中隐私和信任问题的研究能力。
2025-11-24 cs.CR cs.HC cs.LG
Bridging the Awareness Gap: Socially Mediated State Externalization for Transparent Distributed Home Robots
Worcester Polytechnic Institute（伍斯特理工学院）
本文研究通过实时的社会中介状态外化弥合家庭机器人中的意识鸿沟，提升用户关注度和感知透明度，同时不牺牲任务完成效率。
2026-03-12 cs.HC cs.RO
The Trust in AI-Generated Health Advice (TAIGHA) Scale and Short Version (TAIGHA-S): Development and Validation Study
Technische Universität Berlin（柏林工业大学）；Imperial College London（帝国理工学院）；Brunel University of London（伦敦布鲁内尔大学）；King’s College London（伦敦国王学院）
本研究开发并验证了TAIGHA量表及其简版TAIGHA-S，用于评估用户对人工智能生成健康建议的信任和不信任，具有高信效度和实用性。
2025-12-16 cs.AI cs.HC
A Dynamic Model for Sharing Reputation of Sellers among Buyers for Enhancing Trust in Agent Mediated e-market
信誉系统旨在降低由于不可信的参与者而造成的损失风险。这种损失由于不诚实的顾问为了自身利益而试图污染电子市场环境而加剧。声誉系统的一个主要任务是促进和鼓励那些反复回应公平建议的顾问，并应用意见过滤或诚实检查机制来发现和抵制不诚实的顾问。本文提出了一种动态的方法来计算聚合共享信誉组件过滤掉不公平的建议，然后生成聚合共享信誉值。所提出的方法本质上是动态的，因为它对顾问的行为、当前交易的价值敏感，并鼓励作为顾问的买家之间的合作。它通过增加诚实顾问意见的权重，并使诚实顾问的声誉与交易价值单调成比例，来激励诚实顾问，而不是重复分享诚实的意见。
2012-01-18 cs.HC cs.MA cs.SI
Trust Concerns in Health Apps collecting Personally Identifiable Information during COVID-19-like Zoonosis
2019年冠状病毒病，简称COVID-19，是一种人畜共患病，即，一种从动物传染给人类的疾病由于其高度流行性，公共卫生专家不得不部署智能手机应用程序，利用个人身份信息追踪其快速传播模式以及感染者。然而，这些信息可能会在隐私和网络安全方面对技术专家提出一些不受欢迎的挑衅，特别是信任问题。如果现在还不解决，这种情况将通过智能手机中的健康应用程序的不充分使用而影响大众，从而释放出另一种COVID-19样人畜共患病的灾难的伪造。因此，需要进行广泛的研究来解决这一严重问题。本文不仅讨论了世界各地最近设计和开发的健康应用程序，而且还调查了它们的有用性和局限性，从而完成了上述研究。从最终用户的角度来识别和审查信任挑战。本文的后半部分提出了几项建议，以提高普通人的认识。
2020-09-16 cs.CR cs.HC
Continuous Behavioral Synthesis for Adaptive Health Dashboards: An LLM-Mediated Architecture Integrating Explicit Preference, Spatial Reorganization, and Attention Allocation Signals
University of Southern Denmark（南丹麦大学）
提出一种利用大语言模型作为行为合成引擎的架构，通过集成显式反馈、空间重组和注意力信号，实现从稀疏异构用户信号中即时生成自适应仪表盘布局。
2026-06-26 cs.HC
Alexa Depression and Anxiety Self-tests: A Preliminary Analysis of User Experience and Trust
通过网站和移动应用程序提供的心理健康资源提供支持，如建议，日志和认知行为疗法的元素。语音会话代理的激增，如Alexa，Siri和Google Home，导致人们对为这些设备开发心理健康应用程序的兴趣越来越大。我们介绍了Alexa技能的试点研究结果，该技能允许用户进行抑郁和焦虑自我测试。10名参与者获得了为期两周的Alexa技能访问权限，然后对技能的可用性和信任度进行在线评估。我们的初步评估表明，参与者信任该技能，并将可用性和用户体验评分为平均水平。技能使用率很低，大部分人只使用一次。鉴于正在进行的工作，我们还提出了一个讨论的实施和研究设计的挑战，以指导目前的文献设计口语会话代理的心理健康应用。
2020-08-10 cs.HC
"If it has an exclamation point, I step away from it, I need facts, not excited feelings": Technologically Mediated Parental COVID Uncertainty
针对新冠给子女感染父母带来的健康不确定性问题，本研究通过23位父母的半结构化访谈分析社交媒体的调节作用，基于Mishel疾病不确定性理论提出技术中介相关新构成部分及设计建议，为父母应对健康不确定性提供支持。
2024-12-06 cs.HC
Like-minded, like-bodied: How users (18-26) trust online eating and health information
研究通过对美印42名18–26岁用户的民族志考察，揭示社交媒体健康信息、身体理想与饮食失调行为之间的非线性互构关系。
2024-02-28 cs.CY cs.HC cs.SI
PAIR-SAFE: A Paired-Agent Approach for Runtime Auditing and Refining AI-Mediated Mental Health Support
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
PAIR-SAFE通过配对代理框架，在运行时对AI生成的心理健康支持进行审计和改进，结合MITI-4框架提升临床相关性。
2026-10-26 cs.AI cs.CL cs.CY
Assessing the Human-Likeness of LLM-Driven Digital Twins in Simulating Health Care System Trust
West China Hospital（华西医院）；University of Michigan（密歇根大学）；Sichuan University（四川大学）
本研究评估了由大语言模型驱动的数字双胞胎在模拟医疗系统信任方面的类人程度，发现其在主要人口统计学模式上表现良好，但对教育水平等细微差异的捕捉能力有限。
2025-10-27 cs.AI cs.CY cs.HC
Underpinnings of Digital-photo interaction in Computer-mediated platforms
本文基于五篇实证研究文章，探讨了在计算机媒介平台上激励和阻碍数字照片交互过程的不同潜在因素。研究我检查当前的做法，围绕数码照片的个人照片库（N=15）的背景下。研究二调查的满意度和阻碍因素与照片标记活动在Facebook上（N=67）。研究三开发和测试一种工具来理解Facebook照片共享的满足感（N=368）。研究四探讨了隐私的各个方面的影响，在Facebook上的照片共享的意图（N=378）。最后，研究五调查的年龄和性别差异，在Facebook上的照片共享活动的背景下，隐私和信任的各个方面（N=378）。本文的研究发现如下：第一，缺乏“社会功能”是独立照片管理应用程序不接受标签功能的根本原因之一。第二，照片分享和照片标签的采用和流行可以归因于各种因素，如情感，注意力，沟通，披露，习惯，信息共享，自我表达，社会化和社会影响。第三，年龄、性别和活动影响照片分享和照片标记满足感。第四，在Facebook照片分享的背景下，隐私的各个方面显着影响用户的信任和活动，从而照片分享的意图。第五，女性和年轻的Facebook用户更关心他们共享照片的隐私。第六，年轻的Facebook用户更多地使用隐私保护措施，但他们在Facebook上表现出更多的信任和更高的活动水平。
2017-02-06 cs.CY cs.HC
"Where is this coming from?" Uncovering Trustworthiness Ideals in AI-powered Peripartum Information Seeking
University of Michigan（密歇根大学）；Google Research（谷歌研究）
通过焦点小组研究围产期利益相关者，发现高风险健康情境中可信赖性必须可审查而非声称，提出四项治理要求：社会与身份意义建构、多元验证、可审查治理与生态互补整合。
2026-06-08 cs.CY cs.HC
Building Trust in Mental Health Chatbots: Safety Metrics and LLM-Based Evaluation Tools
Sue & Bill Gross School of Nursing, University of California, Irvine（加州大学欧文分校苏与比尔·格罗斯护理学院）；Department of Computer Sciences, University of California, Irvine（加州大学欧文分校计算机科学系）；School of Medicine, University of California, Irvine（加州大学欧文分校医学院）；Department of Psychological Science, University of California, Irvine（加州大学欧文分校心理科学系）；Chicago School of Professional Psychology（芝加哥专业心理学院）；HealthUnity
本研究开发并验证了一个心理健康聊天机器人评估框架，发现基于智能体的实时数据访问方法在安全性和可靠性评估中与人类评估一致性最高。
2025-03-01 cs.AI cs.CL cs.HC
PeerPen: AI-Assisted Writing for Online Mental Health Peer Support
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Aalto University（阿尔托大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
针对在线心理健康同伴支持中志愿者缺乏训练、难以回应的问题，本文构建了AI辅助写作工具PeerPen，通过草稿生成与修订功能减轻写作负担并增强信心，同时提出保留作者身份与社区信任的设计启示。
2026-09-15 cs.AI cs.CL cs.CY
When Can We Trust LLMs in Mental Health? Large-Scale Benchmarks for Reliable LLM Evaluation
York University（约克大学）；Vector Institute（向量研究所）；Dalhousie University（达尔豪斯大学）；IWK Health Hospital（IWK健康医院）；King’s College London（伦敦国王学院）
针对心理健康领域LLM评估基准规模小、可靠性不足且缺乏评判可信度评估框架的问题，研究提出MentalBench-100k与MentalAlign-70k两个基准及情感认知一致性框架，揭示了LLM评判的偏差与不同属性的可靠性差异，为该领域大规模可靠评估奠定基础。
2025-10-21 cs.CL cs.CY cs.HC
Using automated decision-making (ADM) to allocate Covid-19 vaccinations? Exploring the roles of trust and social group preference on the legitimacy of ADM vs. human decision-making
为应对新型冠状病毒疫情对全球健康的持续威胁，决策者必须根据大量相关健康数据采取行动，这些数据可能对受影响患者造成严重后果。由于其在处理和分析大量数据方面的假定优势，自动决策（ADM）的计算机系统被实现并在决策过程中替代人类。在这项研究中，我们重点关注ADM与人类决策（HDM）的具体应用，即向公众分配Covid-19疫苗。特别是，我们阐述了信任和社会群体偏好的疫苗分配的合法性的作用。我们在1602名德国受访者中进行了一项2x2随机析因设计的调查，其中我们使用了不同的决策代理（HDM与ADM）和特定社会群体（教师与囚犯）的优先级作为设计因素。我们的研究结果表明，ADM系统的普遍信任和特定社会群体的疫苗接种偏好影响疫苗分配的合法性。然而，与我们的预期相反，对决策者的信任并没有缓和社会群体偏好与合法性之间的联系。此外，这种影响也不受决策者类型（人类与算法）的影响。我们的结论是，值得信赖的ADM系统不一定会导致ADM系统的合法性。
2021-07-19 cs.CY cs.HC
