Beyond Rigid AI: Towards Natural Human-Machine Symbiosis for Interoperative Surgical Assistance
Johns Hopkins University(约翰霍普金斯大学);Johns Hopkins Applied Physics Laboratory(约翰霍普金斯应用物理实验室);Johns Hopkins Medical Institutions(约翰霍普金斯医学机构)
针对现有手术AI辅助方案刚性强、依赖人工提示的问题,提出融合语音提示大模型、SAM与点跟踪模型的感知智能体,具备记忆与分割未知元素能力,性能媲美高成本人工提示,推动手术人机共生落地。
2025-07-30 cs.AI cs.HC cs.RO
Self++: Co-Determined Agency for Human--AI Symbiosis in Extended Reality
Self++通过自决理论和自由能原理,设计了人机共生的扩展现实系统,通过透明、适应性和协商性原则,实现能力增强与判断保留的平衡。
2026-03-30 cs.AI cs.HC cs.MA
Role-Aware Artificial Intelligence Across Augmentation and Automation in Human-Machine Symbiosis
Information and Society Research Division, National Institute of Informatics(信息与社会研究部,国立信息研究所);Graduate School of Information Science and Technology, University of Tokyo(信息科学与技术研究生院,东京大学)
研究探讨如何追踪人工智能在自然语言生成中的功能角色,提出方法推断提示中的隐含角色并在生成过程中嵌入,实验验证了方法在角色区分、抗扰性和语言质量上的有效性。
2026-09-07 cs.AI cs.CL cs.HC
Person-AI Bidirectional Fit - A Proof-Of-Concept Case Study Of Augmented Human-Ai Symbiosis In Management Decision-Making Process
Department of Management Systems and Organizational Development, Faculty of Management, Wrocław University of Science and Technology(管理系统与组织发展系,管理学院,沃林大学科学与技术学院);Department of Mathematics, Faculty of Mathematics, Wrocław University of Science and Technology(数学系,数学学院,沃林大学科学与技术学院);AMOTHO Research Institute, Vallsjön 20, 780 00 Rörbäcksnäs, Sweden(AMOTHO研究所)
本文提出人-AI双向适配概念,通过真实招聘场景的案例研究对比三类决策路径,验证了高人-AI适配可支撑更准确可信的管理决策,完成了H3LIX-LAIZA系统的概念验证。
2025-11-17 cs.AI cs.HC
Trustworthy Human Computation: A Survey
Kyoto University(京都大学);Hokkaido University(北海道大学);RIKEN(理化学研究所);The University of Tokyo(东京大学)
人类计算是一种解决仅使用人工智能难以解决的问题的方法,涉及许多人的合作。由于人类计算需要与“作为用户的人类群体”和“作为驱动力的人类群体”密切接触,因此在人工智能和人类之间建立相互信任是进一步发展人类计算的重要问题。该研究为可信人计算的实现奠定了基础。首先,使用RAS(可靠性、可用性和可服务性)类比来检查人类计算作为计算系统的可信度,即人类对AI的信任,RAS类比定义了传统计算机系统中的可信度度量。接下来,从AI伦理的角度讨论人类计算系统向用户或参与者提供的社会可信度,包括公平性,隐私性和透明度。然后,我们考虑基于双向信任的人类-人工智能协作,其中人类和人工智能建立相互信任,并通过互惠协作完成困难的任务。最后,未来的挑战和研究方向,实现可信的人类计算进行了讨论。
2022-10-22 cs.AI
Reinforcement learning with human advice: a survey
Laboratoire de Neurosciences Cognitives Computationnelles (LNC2)(计算认知神经科学实验室(LNC2));INSERM U960(法国国家健康与医学研究院 U960);Institute for Intelligent Systems and Robotics(智能系统与机器人研究所);Sorbonne Université(索邦大学);CNRS UMR 7222(法国国家科学研究中心 UMR 7222)
在本文中,我们概述了现有的方法,将人类的建议整合到强化学习过程中。我们首先提出了一个分类的不同形式的建议,可以提供给学习代理。然后,我们描述的方法,可用于解释的意见时,其含义是没有事先确定。最后,我们回顾了不同的方法整合到学习过程中的建议。
2020-11-24 cs.AI
Advancing Frontiers in SLAM: A Survey of Symbolic Representation and Human-Machine Teaming in Environmental Mapping
School of Engineering and Information Technology, University of New South Wales(新南威尔士大学工程与信息技术学院)
本文综述了SLAM中符号表示、多智能体系统与人机协作的最新进展,重点分析边缘和控制智能体架构在建图中的应用及其对精度与效率的提升。
2024-03-22 cs.AI
A Survey of Human Activity Recognition Using WiFi CSI
University of Toronto(多伦多大学);Stanford University(斯坦福大学)
在这篇文章中,我们提出了一个调查的最新进展,被动的人类行为识别在室内区域使用的信道状态信息(CSI)的商业WiFi系统。人体的运动引起无线信号反射的变化,这导致CSI的变化。通过分析不同活动的CSI数据流,并将其与存储的模型进行比较,可以识别人类行为。这是通过从CSI数据流中提取特征并使用机器学习技术来构建模型和分类器来完成的。本文中提出的文献中的技术具有很好的性能,然而,代替这些工作中采用的机器学习技术,我们提出使用深度学习技术,如长短期记忆(LSTM)递归神经网络(RNN),并显示出改进的性能。我们还讨论了不同的挑战,如环境变化,帧速率选择,和多用户的情况下,并提出了可能的未来工作方向。
2017-08-23 cs.AI
Explainable Interface for Human-Autonomy Teaming: A Survey
Cranfield University(克兰菲尔德大学);SAAB Group(萨博集团)
本文从以人为中心的视角综述了人机自主协同系统中可解释界面的设计、开发与评估,提出新框架和整体评估体系,为XAI融入HAT提供见解与未来方向。
2024-05-04 cs.AI
Can Open-Weight Large Language Models (LLMs) Simulate Human Survey Populations? A Cross-Instrument Calibration Study
本研究通过跨工具校准任务评估开放权重LLM模拟人类调查群体的能力,发现未调优模型即可复现真实人类跨工具相关性(r≈0.70-0.73),但性能不随版本单调提升,需版本特定的验证。
2026-09-29 cs.AI
A Survey of Visual Analysis of Human Motion and Its Applications
University of California, Berkeley(加州大学伯克利分校)
本文综述了人体运动分析及其应用的最新进展。首先,我们回顾了运动捕捉系统和人体运动数据的表示模型。其次,我们概述了先进的人体运动数据处理技术,包括运动数据滤波,时间对齐和分割。由于动作识别和动力学测量是人体运动分析中最活跃的研究领域,因此,下面的部分综述了这两个领域的最新研究进展。最后一部分讨论了人体运动分析在医疗保健、人机交互、安全监控、虚拟现实和动画等方面的应用。最后对人体运动分析的未来研究方向进行了展望。
2016-08-23 cs.AI cs.CV
How Human-Centered Explainable AI Interface Are Designed and Evaluated: A Systematic Survey
IT University of Copenhagen(哥本哈根信息技术大学);Royal Danish Academy(丹麦皇家艺术学院)
本文系统性综述了53篇文献,指出可解释界面(EIs)聚焦XAI的用户界面与体验设计,以提升系统可用性与实际可解释性,并揭示了人机交互趋势及未来设计与开发方向。
2024-03-21 cs.AI cs.HC
A Survey on Human-Centric LLMs
Tsinghua University(清华大学)
本文综述以人为中心的 LLM 在个体与群体任务中的认知、决策和社会互动能力,梳理其跨领域应用,并指出偏见、适应性与人机协作等未来方向。
2024-12-01 cs.AI cs.CL
Stochastic Parrots or Singing in Harmony? Testing Five Leading LLMs for their Ability to Replicate a Human Survey with Synthetic Data
Centre for Global Sustainability, University of Oslo(全球可持续发展中心,奥斯陆大学);Peace Research Institute Oslo(奥斯陆和平研究所);American University of Sharjah(阿联酋沙迦美国大学)
本文比较了420名硅谷程序员和开发者的调查数据与五种大语言模型生成的合成数据,发现AI生成的数据在技术上合理但无法捕捉人类调查的非直观洞察,表明合成调查数据在组织研究中存在局限。
2026-10-02 cs.AI cs.CY
Neural network embeddings recover value dimensions from psychometric survey items on par with human data
Barcelona Supercomputing Center(巴塞罗那超级计算中心);Jam Technologies GmbH;University of Mannheim(曼海姆大学);GESIS - Leibniz Institute for the Social Sciences(莱布尼茨社会科学研究所)
SQuID通过神经网络嵌入从心理测量调查项目中恢复价值维度,与人类数据相当,具有成本低、可扩展性强的优势。
2026-01-29 cs.AI cs.CL
A Survey on Applications of Digital Human Avatars toward Virtual Co-presence
Louisiana State University(路易斯安那州立大学)
本文探讨了不同的方法来建立和使用数字人类化身对交互式虚拟共存(VCP)环境。我们评估了创建VCP环境的技术的发展,以及人工智能(AI)和计算机图形学的进步如何影响VCP环境的质量。我们根据文献中的应用和方法对不同的方法进行分类,并根据它们的应用、贡献和局限性比较不同的组和策略。我们还简要讨论了其他形式的人类表示,而不是数字人类化身,已被用于VCP环境中的方法。我们的目标是填补研究领域的空白,缺乏文献综述调查不同的方法来创建基于化身的VCP环境。我们希望这项研究将有助于未来的研究,涉及在VCP或虚拟现实(VR)环境中的人类表示。据我们所知,这是第一个调查研究,调查基于头像的VCP环境。具体来说,本文中提出的基于化身的方法的分类方法是新的。
2022-01-11 cs.AI cs.HC
Survey of 3D Human Body Pose and Shape Estimation Methods for Contemporary Dance Applications
Laboratoire Hubert Curien, Université Jean Monnet(让·莫奈大学于贝尔·居里安实验室)
该综述聚焦当代舞蹈应用场景,调研对比三类输入下的三维人体姿态与形状估计方法,重点分析着装、视角等影响因素,证实多帧方法PHALP的姿态估计效果优于单帧方法。
2024-01-29 cs.AI cs.CV
A Comprehensive Survey on Human Video Generation: Challenges, Methods, and Insights
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
该综述是首篇人体视频生成领域的大规模系统性综述,梳理了该任务的基础理论、生成模型演进、三大子任务方法、常用数据集与评估指标,总结了当前挑战与未来研究方向。
2024-07-11 cs.AI cs.CV
Computational Models to Study Language Processing in the Human Brain: A Survey
KU Leuven(鲁汶大学)
本文综述了计算模型在人脑语言处理研究中的应用,通过在相同数据集上评估多种模型,发现没有单一模型在所有数据集上均占优,强调需丰富测试数据并严格控制实验以得出稳健结论。
2024-03-20 cs.AI cs.CL
Modeling Trust in Human-Robot Interaction: A Survey
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
随着机器人系统的自主性和能力的提高,它们有望扮演队友而不是工具的角色,并以更现实的方式与人类合作者进行互动,创造更人性化的关系。考虑到在人机交互(HRI)中观察到的信任的影响,机器人协作者的适当信任是影响人机交互性能的主要因素之一。如果人们不信任机器人,基于有限的经验不使用或滥用机器人,团队绩效就会降低。因此,对HRI的信任需要适当地校准,而不是最大化,以使对人类合作者的信任形成适当的水平。对于HRI中的信任校准,首先需要对信任进行建模。关于影响HRI中信任的因素有很多综述,但是,由于还没有针对不同信任模型的综述,本文综述了HRI中信任建模的不同技术和方法。我们还提出了进一步研究的潜在方向和一些挑战,需要在未来的工作中解决的人-机器人信任建模。
2020-11-09 cs.AI cs.RO
Tell Me Something That Will Help Me Trust You: A Survey of Trust Calibration in Human-Agent Interaction
University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校);Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
当一个人从智能代理接收到预测或建议的行动过程时,除了预测或建议本身之外,人类还需要从代理那里获得什么额外的信息来决定是信任还是拒绝预测或建议?在本文中,我们调查文献在一个单一的人类主管和一个单一的代理下属之间的信任,以确定这种额外的信息的性质和程度,并将其特征化为一个分类,可以利用未来的研究人员和智能代理从业者。通过从以人为本、以信息为中心的角度来审视这个问题,我们可以开始比较和对比不同的实现,并为未来的工作提供见解和方向。
2022-05-06 cs.AI cs.CY cs.HC
Prompt Perturbations Reveal Human-Like Biases in Large Language Model Survey Responses
University of Mannheim(曼海姆大学);GESIS – Leibniz Institute for the Social Sciences(社会科学研究莱比锡研究所);Complexity Science Hub(复杂科学中心)
本研究通过十种扰动测试九个LLM在世界价值观调查中的响应,发现所有模型均表现出近因偏差,且对语义变化敏感,强调提示设计与稳健性测试的重要性。
2025-10-16 cs.AI cs.CL cs.CY
A New Era in Human Factors Engineering: A Survey of the Applications and Prospects of Large Multimodal Models
The Hong Kong Polytechnic University(香港理工大学);A*STAR(新加坡科技研究局);Shanghai Business School(上海商学院)
本文通过专家与大型多模态模型协作的文献综述,探讨LMM在人因与工效学领域的应用、挑战与前景,提出新综述方法并介绍事故分析、人体建模和干预设计研究,为人因与AI融合提供参考。
2024-05-22 cs.AI cs.HC
Putting Humans in the Natural Language Processing Loop: A Survey
College of Computing, Georgia Institute of Technology(佐治亚理工学院计算学院)
我们如何设计能够从人类反馈中学习的自然语言处理(NLP)系统?越来越多的人在回路(HITL)NLP框架的研究机构不断整合人类反馈以改进模型本身。HITL NLP研究是新兴的,但五花八门-解决各种NLP问题,从不同的人那里收集不同的反馈,并应用不同的方法从收集的反馈中学习。我们对机器学习(ML)和人机交互(HCI)社区的HITL NLP工作进行了调查,突出了其短暂但鼓舞人心的历史,并彻底总结了最近的框架,重点是他们的任务,目标,人类交互和反馈学习方法。最后,我们讨论了在NLP开发循环中整合人类反馈的未来方向。
2021-03-06 cs.AI cs.CL cs.HC
On Explainability in AI-Solutions: A Cross-Domain Survey
comlet Verteilte Systeme GmbH(comlet分布式系统有限公司);DFKI(德国人工智能研究中心)
人工智能(AI)越来越显示出其超越谓词逻辑算法和人类控制的潜力。在自动导出系统模型时,人工智能算法学习人类无法检测到的数据中的关系。然而,这种强大的力量也使人工智能方法的使用变得可疑。模型越复杂,人类就越难理解决策的推理。目前,全自动AI算法是稀疏的,每个算法都必须为人类操作员提供推理。对于数据工程师来说,准确性和敏感性等指标就足够了。然而,如果模型与非专家交互,解释必须是可以理解的。这项工作提供了一个广泛的调查,这一主题的文献,其中,在很大程度上,包括其他调查。这些发现被映射到解释决策的方式和解释决策的原因。这表明,原因和方法的异质性和可解释性导致个人的解释框架。
2022-10-11 cs.AI cs.LG
When Can Digital Personas Reliably Approximate Human Survey Findings?
Department of Mathematics and Statistics(数学与统计学系);York University(约克大学);University Health Network(大学健康网络)
研究通过LISS面板评估数字人设在不同架构和任务下的表现,发现其在稳定属性领域表现较好,但个体预测和多变量结构恢复能力有限,检索增强架构效果更依赖人类响应结构。
2026-10-15 cs.AI cs.CL cs.SI
A Survey on Deep Learning for Human Mobility
Fondazione Bruno Kessler (FBK)(布鲁诺·凯斯勒基金会(FBK));Free University of Bolzano(博尔扎诺自由大学);Amazon Alexa(亚马逊Alexa);Institute of Information Science and Technologies, National Research Council (ISTI-CNR)(国家研究委员会信息科学与技术研究所(ISTI-CNR))
对人类流动性的研究至关重要,因为它对我们社会的几个方面产生了影响,例如疾病传播,城市规划,福祉,污染等等。数字移动数据的激增,如电话记录、GPS跟踪和社交媒体帖子,加上人工智能的预测能力,引发了深度学习在人类移动中的应用。现有的调查集中在单一任务、数据源、机械或传统的机器学习方法上,而缺乏对深度学习解决方案的全面描述。本调查提供了移动任务的分类,讨论了与每个任务相关的挑战以及深度学习如何克服传统模型的局限性,描述了与上述移动任务最相关的解决方案以及未来的相关挑战。我们的调查是领先的深度学习解决方案的指南,用于下一个位置预测,人群流量预测,轨迹生成和流量生成。与此同时,它帮助深度学习科学家和实践者理解人类流动性研究的基本概念和开放性挑战。
2021-06-27 cs.AI cs.LG cs.SI
Explanation-Based Human Debugging of NLP Models: A Survey
Imperial College London(伦敦帝国学院)
机器学习模型是困难的,因为错误通常涉及训练数据和学习过程。对于一个不透明的深度学习模型来说,如果我们不知道模型实际上是如何工作的,这就变得更加困难了。在本调查中,我们回顾了利用解释使人类能够提供反馈和调试NLP模型的论文。我们把这个问题称为基于解释的人工调试(EBHD)。特别是,我们分类和讨论现有的工作沿EBHD的三个方面(错误的背景下,工作流程和实验设置),编译EBHD组件如何影响反馈提供者的调查结果,并突出开放的问题,可能是未来的研究方向。
2021-12-10 cs.AI cs.CL cs.HC
How Many Human Survey Respondents is a Large Language Model Worth? An Uncertainty Quantification Perspective
Department of IEOR, Columbia University(哥伦比亚大学工业工程与运筹学系);Decision, Risk, and Operations Division, Columbia Business School(哥伦比亚商学院决策、风险与运营分校);Department of IEOR and Data Science Institute, Columbia University(哥伦比亚大学工业工程与运筹学系及数据科学研究所)
本文从不确定性量化角度出发,提出了一种框架,将LLM模拟的响应转换为人类响应总体参数的可靠置信集,通过量化人类-LLM不一致带来的不确定性。关键设计是模拟响应的数量:过多会导致置信集过窄且覆盖性差,过少则导致置信集过宽且信息不足。本文提出了一种数据驱动的方法,自适应选择模拟样本量以实现名义平均覆盖性,无论LLM的模拟保真度或置信集构建过程如何。所选样本量进一步反映了LLM能代表的有效人类人口规模,提供了其模拟保真度的定量度量。实验表明不同LLM和领域存在异质性模拟保真度。
2026-06-15 cs.AI cs.LG stat.ME
LLMs for Survey Text Analysis - A Performance Comparison Between Humans and GPT-5 on Inductive Content Analysis
本研究对比人类与GPT-5.4在903份欧洲博士生调查开放式回答的归纳内容分析中的性能,发现GPT-5.4编码的ARI为0.61,可近似人类编码表现,或可作为归纳质性分析的可扩展支持工具。
2026-08-25 cs.AI cs.CL cs.HC
Domain Adaptation for Inertial Measurement Unit-based Human Activity Recognition: A Survey
University of Maryland Baltimore County(马里兰大学巴尔的摩郡分校)
本文综述了基于IMU的可穿戴人体活动识别中领域自适应技术的最新进展,以解决传感器位置、设备及个人环境差异导致的数据异质性问题,并展望未来方向。
2023-04-07 cs.AI cs.LG eess.SP
Towards the Human Digital Twin: Definition and Design -- A survey
Technical University of Denmark(丹麦技术大学);Northumbria University(诺森比亚大学);University of Strathclyde(思克莱德大学)
本综述针对人类数字孪生(HDTs)定义模糊与设计缺乏指导的问题,提出首个跨领域HDT定义及十一项关键设计考量,以指导未来开发者。
2024-02-03 cs.AI cs.DB cs.HC
"I can assure you [$\ldots$] that it's going to be all right" -- A definition, case for, and survey of algorithmic assurances in human-autonomy trust relationships
University of Colorado, Boulder(科罗拉多大学博尔德分校)
随着技术变得越来越先进,那些设计、使用和受其影响的人想知道它会正确地运行,并了解它为什么会这样做,以及如何正确地使用它。本质上,他们希望能够信任正在设计的系统。在这项调查中,我们提出的保证是用户可以理解如何信任这项技术的方法。人类和自治之间的信任进行审查,并强调设计的保证的影响。一项调查的研究,已经进行了保证方面,并提取了几个关键的想法,以完善的保证的定义。确定和讨论了未来研究的几个方向。
2017-09-04 cs.AI cs.CY cs.HC
Testing the effectiveness of saliency-based explainability in NLP using randomized survey-based experiments
Procter & Gamble(宝洁公司);Singapore Management University(新加坡管理大学)
随着自然语言处理(NLP)在政治分析、教育论文审查等敏感领域的应用激增,迫切需要提高NLP模型的透明度,以建立与利益相关者的信任并识别偏见。可解释人工智能的许多工作都旨在设计解释方法,让人类深入了解NLP模型的工作和预测。虽然这些方法将预测从复杂的模型(如神经网络)中提取出来,转化为可消费的解释,但人类如何理解这些解释仍然是广泛未探索的。人类与生俱来的倾向和偏见可能会阻碍人类对这些解释的理解,也可能导致他们对模型和预测做出错误的判断。我们设计了一个基于随机调查的实验,以了解自然语言处理中基于显着性的事后可解释性方法的有效性。实验结果表明,人类倾向于接受不那么批判性的解释。
2022-11-25 cs.AI cs.CL cs.LG
Simulating Macroeconomic Expectations in Survey Experiments with LLM-based Economic Agents
Lingnan College, Sun Yat-sen University(中山大学岭南学院)
提出一个利用基于大语言模型的经济主体(LLM Agents)模拟调查实验中宏观经济预期的框架,通过复现三种代表性调查设计验证其有效性,发现LLM Agents能生成与人类高度相似的预期分布并捕捉定性模式,其中先验信息对匹配分布至关重要。
2026-06-01 cs.AI econ.GN q-fin.EC
Automatic Depression Assessment using Machine Learning: A Comprehensive Survey
HBUG Lab, Department of Computer Science, University of Exeter(埃克塞特大学计算机科学系);Department of Computer Science and Technology, University of Cambridge(剑桥大学计算机科学与技术系);University of California, Los Angeles(加州大学洛杉矶分校);Computer Vision Lab, School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院)
本文是一篇全面综述,总结了跨多模态的抑郁症相关人类行为,回顾了基于机器学习的自动抑郁症评估方法及其特征与局限,并探讨了现有竞赛、数据集及未来挑战与机遇。
2025-06-29 cs.AI cs.LG q-bio.NC
Automatic Context-Driven Inference of Engagement in HMI: A Survey
New York University(纽约大学);King’s College London(伦敦国王学院);University of Cambridge(剑桥大学);Sorbonne University(索邦大学)
人与人之间无缝沟通的一个组成部分是参与,这是两个或多个参与者建立、维持和结束他们感知到的联系的过程。因此,为了开发成功的以人为中心的人机交互应用,自动参与推理是实现人机之间的参与性交互所需的任务之一,并使机器与用户协调,从而提高用户满意度和技术接受度。参与状态的推断受到多种因素的影响,其中包括互动情境和互动者的行为和身份。事实上,参与是一个多方面和多模态的结构,需要在分析和解释上下文,语言和非语言线索的高度准确性。因此,到目前为止,开发完成这项任务的自动化和智能系统已被证明具有挑战性。本文提出了一个全面的调查以前的工作,在参与推理的人机交互,需要跨学科的定义,参与组件和因素,公开可用的数据集,地面实况评估,最常用的功能和方法,作为一个指导未来的人机交互界面的开发与可靠的上下文感知的参与推理能力。一个深入的审查体现和非体现的互动模式,并强调互动环境中的参与感知模块集成集除了现有的调查。
2022-09-30 cs.AI cs.CV cs.HC
Towards a Science of Human-AI Decision Making: A Survey of Empirical Studies
University of Colorado Boulder(科罗拉多大学博尔德分校);University of Chicago(芝加哥大学);Microsoft Research(微软研究院);Dataminr
随着人工智能系统表现出越来越强的预测性能,它们在许多领域的采用率都在增长。然而,在刑事司法和医疗保健等高风险领域,出于安全、道德和法律方面的考虑,完全自动化通常是不可取的,而完全手动的方法可能不准确且耗时。因此,研究界越来越有兴趣通过人工智能辅助来增强人类决策。除了为此目的开发人工智能技术外,人工智能决策的新兴领域必须采用经验方法,以形成对人类如何与人工智能互动和合作做出决策的基本理解。为了邀请并帮助构建理解和改善人类人工智能决策科学的研究工作,我们调查了最近关于这一主题的实证人类受试者研究文献。我们从三个重要方面总结了100多篇论文中的研究设计选择:(1)决策任务,(2)AI模型和AI辅助元素,以及(3)评估指标。对于每个方面,我们总结了当前的趋势,讨论了该领域当前实践中的差距,并为未来的研究提出了建议。我们的调查强调了开发通用框架的必要性,以解释人类人工智能决策的设计和研究空间,以便研究人员可以在研究设计中做出严格的选择,研究界可以在彼此的工作基础上建立并产生可推广的科学知识。我们还希望这项调查将成为人机交互和人工智能社区共同努力的桥梁,共同塑造人类-人工智能决策的经验科学和计算技术。
2021-12-21 cs.AI cs.CL cs.CY
Multi-Agent, Human-Agent and Beyond: A Survey on Cooperation in Social Dilemmas
Northwestern Polytechnical University(西北工业大学);Tsinghua University(清华大学);University of Auckland(奥克兰大学);Kyushu University(九州大学);The Hong Kong Polytechnic University(香港理工大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本综述探讨了AI在社会困境合作中的三个关键领域:多智能体合作的动机与策略、人机合作算法与人类偏见,以及利用AI增强人类间合作,并展望了未来研究方向。
2024-07-30 cs.AI cs.GT cs.HC
Hybrid Panels: Toward Human-AI Collaboration in Survey Research
GESIS - Leibniz Institute for the Social Sciences(莱布尼茨社会科学研究所(GESIS));Heidelberg University(海德堡大学);Heinrich Heine University of Düsseldorf(杜塞尔多夫海因里希·海涅大学);RWTH Aachen University(亚琛工业大学)
本研究提出混合面板概念,构建首个试点,将人类与LLMs结合用于调查,旨在解决调查的响应率、成本等问题,为调查研究的人机协作提供新方向。
2026-08-25 cs.AI cs.CL cs.CY
Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey
University of Bergamo(贝加莫大学);University of Glasgow(格拉斯哥大学);Istituto Italiano di Tecnologia(意大利技术研究院)
该综述调研2010年以来基于非语言线索的同地人与人交互分析研究,涵盖多类社会现象与场景,总结相关方法、数据集与发现,并指出当前研究局限与未来方向。
2023-10-04 cs.AI cs.CV cs.HC