ADESSE: Advice Explanations in Complex Repeated Decision-Making Environments
Clausthal University of Technology（克劳斯塔尔工业大学）；University of Virginia（弗吉尼亚大学）；Bar-Ilan University（巴伊兰大学）
本文提出 ADESSE，为含神经网络预测与深度强化学习组件的建议智能体生成解释，实验与用户研究表明其可扩展，并能提升信任、满意度、游戏奖励与决策效率。
2024-09-10 cs.AI
Explainable AI and Adoption of Financial Algorithmic Advisors: an Experimental Study
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Intuit Inc.（财捷集团）
我们研究了从人类或算法顾问那里获得的建议，以及五种类型的本地和全球解释标签，是否会影响采用的准备程度，支付意愿和对金融AI顾问的信任。我们使用一个独特的实验框架，在不同的关键情况下，随着时间的推移比较的差异，参与者玩一个基于网络的游戏，真正的货币后果。我们观察到，在初始阶段对模型进行基于准确性的解释会导致更高的采用率。当模型的表现完美无瑕时，采用何种解释就不那么重要了。使用更详细的基于特征或基于准确性的解释有助于大大减少模型失败时的采用率下降。此外，使用自动驾驶仪可以显著提高采用率。被分配到带有解释的AI标记建议的参与者愿意为建议支付更多的费用，而不是带有无解释替代方案的AI标记建议。这些结果增加了关于XAI对算法采用和信任的重要性的文献。
2021-06-09 cs.AI cs.CY cs.HC
Adjust for Trust: Mitigating Trust-Induced Inappropriate Reliance on AI Assistance
University of Southern California（美国南加州大学）
通过信任自适应干预减少AI依赖，提升决策准确性与人机协作效率
2026-01-26 cs.AI cs.CL cs.HC
How People Evaluate AI-, Expert-, and Peer-Style Financial Advice
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过实验对比AI、专家、同行风格金融建议的评估差异，发现归属标注与沟通线索共同影响评估，错误标注会提升AI建议评分。
2026-08-11 cs.AI cs.CL cs.CY
Not All Trust is the Same: Effects of Decision Workflow and Explanations in Human-AI Decision Making
Digital Media Lab, University of Bremen（数字媒体实验室，不莱梅大学）
研究探讨了决策流程和解释对人机决策信任的影响，发现信任和依赖行为是不同构念，需分别评估。
2026-03-05 cs.AI cs.HC
Can You Trust an LLM with Your Life-Changing Decision? An Investigation into AI High-Stakes Responses
本研究针对大语言模型在高风险人生建议场景下的谄媚与过度自信风险，通过三类实验分析模型失效模式，发现部分模型稳健性强，且激活引导可调控模型谨慎度，为LLM安全对齐提供了新方向。
2025-07-22 cs.AI cs.CY cs.LG
Personalized to Persuade: The Effects of Contextualization and Warmth on Trust and Reliance in Conversational AI
Amsterdam University of Applied Sciences（阿姆斯特丹应用科学大学）；University of Leiden（莱顿大学）
通过2x2被试间实验（N=380），研究情境化与对话温暖如何交互影响AI助手在反驳专家建议时的说服力与用户依赖，发现情境化降低说服力但与温暖结合通过交叉交互恢复，且AI素养解耦信任与行为。
2026-11-04 cs.AI cs.HC
Uncalibrated Models Can Improve Human-AI Collaboration
Stanford University（斯坦福大学）
在人工智能的许多实际应用中，人工智能模型被用作人类用户的决策辅助。人工智能提供建议，人类（有时）将其纳入决策过程。人工智能的建议通常带有某种程度的“信心”，人类可以用它来校准他们对建议的依赖或信任程度。在本文中，我们提出了一个初步的探索，建议显示AI模型比实际更有信心，即使原始AI经过良好校准，也可以提高人类AI性能（衡量为人类在看到AI建议后最终预测的准确性和置信度）。我们首先训练一个模型，使用来自数千次人类与人工智能交互的数据来预测人类对人工智能建议的结合。这使我们能够明确估计如何转换AI的预测置信度，使AI未经校准，以改善最终的人类预测。我们在四个不同的任务中验证了我们的结果-处理图像，文本和表格数据-涉及数百名人类参与者。我们进一步支持我们的研究结果与模拟分析。我们的研究结果表明，联合优化人类-AI系统的重要性，而不是单独优化AI模型的标准范式。
2022-10-28 cs.AI cs.CV cs.HC
Human-Robo-advisor collaboration in decision-making: Evidence from a multiphase mixed methods experimental study
Rochester Institute of Technology（罗切斯特理工学院）；Indian Institute of Management Kozhikode（印度管理学院科泽科德分校）；LUT University（拉彭兰塔-拉赫蒂理工大学）
本研究通过多阶段混合方法（含334人行为实验）探究人类与智能投顾（RA）的决策协作，发现RA性能信息、损益框架影响依赖程度，识别出3种RA角色、4类用户及2×2接受度前因类型学，为可信自适应RA设计提供依据。
2025-10-02 cs.AI cs.HC
Are Generative AI Agents Effective Personalized Financial Advisors?
The University of Tokyo（东京大学）；University of Glasgow（格拉斯哥大学）
本文探究LLM智能体在金融领域作为个性化财务顾问的有效性，聚焦偏好挖掘、个性化指导及人格信任三大挑战，通过64人用户研究发现其偏好挖掘能力接近人类顾问，但存在需求冲突解决不足等问题，且用户对建议质量不敏感，外向型人格LLM虽建议差却更受信任。
2025-04-15 cs.AI cs.CL cs.HC
On the Definition of Appropriate Trust and the Tools that Come with it
Jönköping International Business School（延雪平国际商学院）；Jönköping University（延雪平大学）；University of Borås（布罗斯大学）
本文通过比较适当信任定义与模型性能评估的相似性，提出评估用户对模型适当信任的新方法，并给出面向用户表现及回归不确定性的具体评估工具。
2023-09-21 cs.AI
How Performance Pressure Influences AI-Assisted Decision Making
University of Washington（华盛顿大学）；Allen Institute for AI（人工智能研究院）
本文通过垃圾评论分类任务研究绩效压力与可解释AI如何交互影响人类对AI建议的采纳行为，发现不同压力与XAI组合会改善或恶化采纳行为，并为有效使用压力提供策略。
2025-08-21 cs.AI cs.CL cs.HC
Robust Trust
Northwestern University（西北大学）；Group for Research in Applied Economics（应用经济学研究组）；Toulouse School of Economics（图卢兹经济学院）；Columbia Business School（哥伦比亚商学院）
研究者分析了在信息不对称情况下，代理人如何根据私人信息和可能有偏见的顾问建议做出稳健决策，通过信任区域政策最大化最坏情况下的预期收益。
2026-09-14 cs.AI cs.GT econ.TH
Navigating Decision Landscapes: The Impact of Principals on Decision-Making Dynamics
Microsoft（微软）
本研究探讨社会决策中负责主体（外部引导者）的影响，发现其可靠性显著影响决策，偶尔信任不可靠主体可改变结果，随机建议下信任增加错误，强调需谨慎信任。
2023-12-25 cs.AI
A Social Robot with Inner Speech for Dietary Guidance
TheEngineRoom, Department of Informatics Bioengineering, Robotics and System Engineering, University of Genoa, Genoa, Italy（TheEngineRoom，信息生物工程与机器人系统工程系，热那亚大学，热那亚，意大利）；Department of Engineering, University of Palermo, Palermo, Italy（工程系，巴勒莫大学，巴勒莫，意大利）
本文提出了一款具备内部言语功能的社交机器人，通过增强透明度和信任度来提供饮食指导，结合大语言模型和知识图谱提升交互效果。
2025-05-13 cs.AI cs.RO
Anthropomorphism and Trust in Human-Large Language Model interactions
Brain and Creativity Institute, Dornsife College of Letters, Arts and Sciences, University of Southern California（脑与创造力研究所，文理学院，南加州大学）；USC Mrs. T.H. Chan Division of Occupational Science and Occupational Therapy, University of Southern California（USC 玛丽·T.H.陈职业科学与职业治疗 division，南加州大学）；Psychiatry and Biobehavioral Sciences, David Geffen School of Medicine, University of California, Los Angeles（精神病学与生物行为科学，大卫·格芬医学院，加州大学洛杉矶分校）；Google DeepMind, Zurich（谷歌深Mind，苏黎世）；Google Research（谷歌研究）；Brain and Creativity Institute（脑与创造力研究所）
研究探讨了人们如何通过温暖、能力与共情维度对大语言模型进行拟人化并建立信任，发现温暖和认知共情显著影响多种感知，而能力主要影响除拟人化外的其他结果。
2026-03-01 cs.AI cs.HC
Influencing Reinforcement Learning through Natural Language Guidance
University of Kentucky（肯塔基大学）
交互式强化学习代理使用人类反馈或指令来帮助它们在复杂环境中学习。通常，这种反馈以正或负的离散信号的形式出现。虽然信息量很大，但这些信息本身可能很难概括。在这项工作中，我们将探讨如何自然语言的意见，可以用来提供一个更丰富的反馈信号，强化学习代理，通过扩展的政策塑造，一个著名的交互式强化学习技术。通常，策略形成采用人工反馈策略来帮助智能体更多地了解如何实现其目标。在我们的例子中，我们用基于自然语言建议生成的策略替换了这种人工反馈策略。我们的目标是检查生成的自然语言推理是否为深度强化学习代理提供支持，以在任何给定的环境中成功地决定其行动。因此，我们设计了三个网络的模型：第一个是经验驱动，第二个是建议生成器，第三个是建议驱动。当经验驱动的强化学习代理选择其受环境奖励影响的动作时，具有由建议生成器针对任何新状态生成的反馈的建议驱动的神经网络选择其动作以帮助强化学习代理更好地进行策略成形。
2021-04-11 cs.AI cs.LG
Annie, Are You Okay? How Style- and Context-Based Personalization Shape AI-Assisted Decision-Making
Northeastern University（东北大学）；University College Dublin（都柏林大学学院）
本研究通过预注册实验发现，基于上下文的个性化（而非风格个性化）能可靠改变用户对股票排序的决策，使其向AI推荐靠拢，且影响在低专业知识用户中更强，引发对个性化决策支持治理的担忧。
2026-09-22 cs.AI cs.HC
Trust the AI, Doubt Yourself: The Effect of Urgency on Self-Confidence in Human-AI Interaction
McMaster University（麦克马斯特大学）
研究探讨了紧迫感对人机交互中人类自信心的影响，发现尽管紧迫感不影响对AI的信任，但可能损害人类的自信心和自我效能感，进而影响性能和可持续性。
2026-04-08 cs.AI
The Fake Friend Dilemma: Relational Trust and the Political Economy of Conversational AI
Vassar College（瓦萨学院）
本文提出虚假朋友困境框架，探讨拟人化AI如何通过隐蔽手段影响用户自主权，分析其在信任与政治经济学中的作用。
2026-10-28 cs.AI cs.CY cs.HC
A systematic review and taxonomy of explanations in decision support and recommender systems
Universidade Federal do Rio Grande do Sul (UFRGS)（南里奥格兰德联邦大学）；TU Dortmund（多特蒙德工业大学）
随着人工智能领域的最新进展，越来越多的决策任务被委托给软件系统。成功和采用此类系统的关键要求是用户必须信任系统选择，甚至完全自动化的决策。为了实现这一点，解释设施已被广泛调查，作为一种手段，建立信任这些系统，因为早期的专家系统。随着当今日益复杂的机器学习算法，在解释、问责制和对此类系统的信任方面的新挑战不断出现。在这项工作中，我们系统地回顾了文献中的建议给出系统的解释。这是一个包括推荐系统的系统家族，推荐系统是实践中最成功的一类建议软件。我们调查解释的目的，以及它们是如何产生的，呈现给用户，并评估。因此，我们得出一个新的全面分类的方面时，要考虑到当前和未来的决策支持系统设计的解释设施。分类法包括各种不同的方面，如解释目标，响应性，内容和呈现。此外，我们确定了一些迄今为止尚未解决的挑战，例如与解释的呈现以及如何评估解释设施相关的细粒度问题。
2020-06-15 cs.AI cs.IR
Designing for Responsible Trust in AI Systems: A Communication Perspective
Microsoft Research（微软研究院）；Penn State University（宾夕法尼亚州立大学）
目前关于“信任人工智能”的文献和公共话语往往集中在可信人工智能的基本原则上，而对人们如何建立信任的关注不够。鉴于人工智能系统的可信度不同，两个悬而未决的问题摆在了面前：如何负责任地传达人工智能的可信度，以确保不同用户做出适当和公平的信任判断，以及我们如何保护用户免受欺骗性的尝试来赢得他们的信任？我们借鉴了通信理论和技术信任文献，开发了一个名为MATCH的概念模型，该模型描述了如何通过可信度线索在AI系统中传达可信度，以及人们如何处理这些线索以做出信任判断。除了人工智能生成的内容外，我们还强调透明度和交互作为人工智能系统的启示，为用户提供广泛的可信度提示。通过揭示用户做出信任判断的认知过程及其潜在局限性，我们敦促技术创造者在为目标用户选择可靠的可信度线索时做出有意识的决定，并作为一个行业，规范这一空间并防止恶意使用。为了实现这些目标，我们定义了保证可信度线索和昂贵的可信度线索的概念，并提出了一个要求清单，以帮助技术创造者确定适当的线索使用。我们提出了一个假设的用例，以说明从业者如何使用MATCH负责任地设计人工智能系统，并讨论旨在促进对人工智能负责任信任的研究和行业工作的未来方向。
2022-04-29 cs.AI cs.HC
Learning to Trust: Bayesian Adaptation to Varying Suggester Reliability in Sequential Decision Making
Stanford Intelligent Systems Laboratory（斯坦福智能系统实验室）；Stanford University（斯坦福大学）
提出一种贝叶斯框架，通过将建议者质量融入信念表示并引入显式“询问”动作，使智能体在部分可观测环境中动态学习和适应变化的建议者可靠性，平衡信息获取与成本。
2026-05-24 cs.AI
Does Capability Transfer to Subjective Behavior -- and Would Our Instruments Tell Us? A Self-Evolving, Trust-by-Construction Evaluation Paradigm
Cylingo team（Cylingo团队）
提出复制优先范式，通过可靠性、跨仪器复制、历史足迹校准和预注册预测四个正交属性验证LLM行为评估工具，并在情感陪伴任务中测试，发现聚合分数掩盖的模型退化。
2026-06-09 cs.AI cs.CL
Explainable and Human-Grounded AI for Decision Support Systems: The Theory of Epistemic Quasi-Partnerships
Faculty of Philosophy, Philosophy of Science and the Study of Religion, Ludwig Maximilian University Munich（哲学学院、科学哲学与宗教研究学院，慕尼黑路德维希-马克西米利安大学）
本文提出了一种新的理论框架，即知识性准伙伴关系理论（EQP），用于指导开发能够提供人类基础解释（原因、反事实和置信度）的AI决策支持系统，以满足伦理和可解释AI（XAI）的需求。
2024-09-23 cs.AI cs.ET cs.HC
LCAM: A Framework for Diagnosing Interactional Alignment Failures in Con-versational AI
School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区管理学院）
提出分层认知对齐模型（LCAM），通过五层对齐和两种失调极性诊断对话式AI的交互失败，应用于LLM咨询案例揭示潜在危害。
2026-06-06 cs.AI cs.HC
Effect of Confidence and Explanation on Accuracy and Trust Calibration in AI-Assisted Decision Making
IBM Research AI（IBM研究院人工智能部门）
如今，人工智能正越来越多地用于帮助人类专家在高风险场景中做出决策。在这些场景中，完全自动化通常是不可取的，这不仅是因为结果的重要性，还因为人类专家可以利用他们的领域知识补充模型，以确保任务成功。我们将这些场景称为人工智能辅助决策，其中人类和人工智能的个体优势结合在一起，以优化联合决策结果。他们成功的关键是在个案基础上适当地\textit{calibrate}人类对AI的信任;知道何时信任或不信任AI允许人类专家适当地应用他们的知识，在模型可能表现不佳的情况下改善决策结果。本研究对人工智能辅助决策进行了案例研究，其中人类和人工智能单独具有可比的性能，并探讨了揭示特定案例模型信息的功能是否可以校准信任并提高人类和人工智能的联合性能。具体来说，我们研究的效果，显示的信心分数和当地的解释一个特定的预测。通过两个人类实验，我们表明，置信度可以帮助校准人们对AI模型的信任，但信任校准本身并不足以改善AI辅助决策，这可能还取决于人类是否能够带来足够的独特知识来补充AI的错误。我们还强调了在人工智能辅助决策场景中使用本地解释的问题，并邀请研究界探索新的方法来校准人类对人工智能的信任。
2020-01-07 cs.AI cs.HC
Architecting Trust in Artificial Epistemic Agents
Google DeepMind（谷歌DeepMind）；Google Research（谷歌研究）
本文探讨了大规模语言模型作为认知代理的影响，提出通过构建信任、对齐人类认知目标和加强社会认知基础设施，确保AI系统的可靠性与包容性。
2026-03-23 cs.AI
Privacy Concerns in Chatbot Interactions: When to Trust and When to Worry
University of Kent（肯特大学）；Cranfield University（克兰菲尔德大学）；Defence Academy of the United Kingdom（英国国防学院）
通过对话能力的进步，聊天机器人已经开始请求和处理越来越多的敏感个人信息。准确披露敏感信息对于向医疗保健和金融行业的用户提供建议和支持至关重要。在这项研究中，我们探讨了用户对聊天机器人提供商使用敏感数据相关因素的担忧。我们调查了491名英国公民的代表性样本。我们的研究结果表明，用户关注的问题集中在删除个人信息和他们的数据的不适当使用的关注。我们还发现，个人担心在与会话代理对话后失去对数据的控制。我们发现用户的性别或教育程度没有影响，但确实发现了用户年龄的影响，45岁以上的人比45岁以下的人更关心。我们还考虑了在聊天机器人中产生信任的因素。受访者的主要关注点是聊天机器人的技术元素，其中响应质量等因素被认为是最关键的因素。我们再次发现用户的性别或教育水平没有影响;然而，当我们考虑一些社会因素（例如化身或感知的“友好度”）时，我们发现45岁以下的人比45岁以上的人更重要。本文最后讨论了这些结果的背景下，设计包容性，数字系统，支持广泛的用户。
2021-07-08 cs.AI cs.CL cs.CY
Redefining Counterfactual Explanations for Reinforcement Learning: Overview, Challenges and Opportunities
Trinity College Dublin（都柏林圣三一学院）
本文探讨反事实解释在强化学习中应用不足的原因，分析监督学习与RL的差异与挑战，重新定义RL反事实解释并提出未来研究方向。
2024-02-09 cs.AI
Implicit Humanization in Everyday LLM Moral Judgments
University of Washington（华盛顿大学）
研究探讨了日常LLM在道德判断中隐性人性化倾向的影响，通过分析四个主流LLM的响应，发现其强化了隐性人性化假设，可能加剧过度依赖或信任风险，呼吁未来研究需考虑用户侧隐性人性化并设计解决方案。
2026-03-23 cs.AI cs.CY cs.IR
Human aversion? Do AI Agents Judge Identity More Harshly Than Performance
本研究通过受控预测任务发现，基于 LLM 的 AI 代理会系统性地低估人类建议，对人类错误惩罚更严苛，且身份披露和位置偏见会加剧此效应，揭示了反向算法厌恶现象，并为间接 LLM 部署提供了框架。
2025-03-31 cs.AI cs.HC econ.GN
Trust Calibration in IDEs: Paving the Way for Widespread Adoption of AI Refactoring
CodeScene；Lund University（隆德大学）
本文指出LLM在AI重构中存在破坏性变更等风险，主张在IDE中封装模型交互并验证重构，基于自动化人因模型在CodeScene中开展行动研究，开发LLM保障措施与传达适当信任的用户交互，以推动AI重构的广泛采用。
2024-12-20 cs.AI cs.HC cs.SE
Align When They Want, Complement When They Need! Human-Centered Ensembles for Adaptive Human-AI Collaboration
本文提出了一种人本适应性AI集成，通过上下文提示在对齐与互补模型间切换，以提升人机协作的性能与信任。
2026-02-23 cs.AI cs.HC cs.LG
Maintaining User Trust Through Multistage Uncertainty Aware Inference
针对AI部署的精度与成本平衡问题，提出带不确定性量化的多阶段推理架构，已部署给印度数千棉农，可推广至低资源场景的AI应用。
2024-04-15 cs.AI cs.CV
Knowledge-intensive Language Understanding for Explainable AI
University of South Carolina（南卡罗来纳大学）；Embible, Inc.（Embible公司）
人工智能系统在各个领域都得到了广泛的应用。与此同时，在某些领域的进一步采用受到阻碍，因为无法完全信任人工智能系统不会伤害人类。除了对公平性的关注外，隐私、透明度和可解释性也是在人工智能系统中建立信任的关键。正如在描述值得信赖的人工智能时所说的那样，“信任来自理解。如何做出人工智能主导的决策以及包括哪些决定因素对于理解至关重要。“解释AI系统的子领域被称为XAI。可以解释AI系统的多个方面;这些包括数据可能具有的偏差、在示例空间的特定区域中缺少数据点、收集数据的公平性、特征重要性等。然而，除此之外，关键的是具有与决策制定直接相关的以人为中心的解释，类似于领域专家如何基于“领域知识”来制定决策，“这也包括完善的，同行验证的明确指导方针。为了理解和验证人工智能系统的结果（例如分类、建议、预测），从而建立对人工智能系统的信任，有必要涉及人类理解和使用的显式领域知识。
2021-08-02 cs.AI cs.CL
Knowing About Knowing: An Illusion of Human Competence Can Hinder Appropriate Reliance on AI Systems
Delft University of Technology（代尔夫特理工大学）
人工智能系统在各种任务中增强人类能力的令人眼花缭乱的承诺取决于人类是否能够适当地依赖它们。最近的研究表明，适当的依赖是在人工智能辅助决策中实现互补团队绩效的关键。本文讨论了一个未被充分探讨的问题，即人们之间的邓宁-克鲁格效应（DKE）是否会阻碍他们对人工智能系统的适当依赖。DKE是一种元认知偏差，由于这种偏差，能力较低的个体会高估自己的技能和表现。通过一项实证研究（N = 249），我们探讨了DKE对人类依赖AI系统的影响，以及这种影响是否可以通过使用教程干预来缓解，该干预揭示了AI建议的易错性，并利用基于逻辑单元的解释来提高用户对AI建议的理解。我们发现，高估自己表现的参与者往往对人工智能系统的依赖不足，这阻碍了团队的最佳表现。基于逻辑单元的解释并没有帮助用户提高他们的能力校准或促进适当的依赖。虽然教程干预在帮助用户校准自我评估和促进高估自我评估的参与者之间的适当依赖方面非常有效，但我们发现它可能会损害低估自我评估的参与者的适当依赖。我们的工作对解决用户认知偏见的方法设计具有广泛的影响，同时促进对人工智能系统的适当依赖。我们的研究结果推进了目前对自我评估在人类人工智能决策中塑造信任和依赖的作用的理解。这为该社区的相关HCI研究提供了有前途的未来方向。
2023-01-25 cs.AI cs.CL cs.HC
Verbal Programming of Robot Behavior
IBM T.J. Watson Research（IBM托马斯·J·沃森研究中心）
家用机器人可能具有许多复杂的内置功能，但是每个用户和环境都需要一定程度的定制。理想情况下，这应该通过一次性学习来完成，因为收集统计推断所需的大量示例是乏味的。一种特别吸引人的方法是通过语音向机器人简单地解释它应该做什么。在本文中，我们描述了ALIA认知架构，能够有效地将用户提供的建议和禁令，以这种方式。相关视频说明了在小型机器人上实现的系统的功能。
2019-11-21 cs.AI cs.RO
Harnessing the Latent Space: From Steering Vectors to Model Calibrators for Control and Trust
Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所）
本文提出利用潜在空间中的引导向量控制语言模型行为，并开发基于潜在空间的模型校准器评估输出可信度，从而增强模型的可控性与可靠性。
2026-07-02 cs.AI cs.CL cs.LG
Dynamic Logic of Trust-Based Beliefs
Institute of Logic and Intelligence, Southwest University, China（逻辑与智能研究所，西南大学，中国）；University of Southampton, United Kingdom（南安普顿大学，英国）；Independent Scholar, United States（独立学者，美国）
本文研究融合数据公开宣告的智能体信念动态逻辑，提出可靠完备的公理化系统并给出多项式模型检测算法。
2025-11-02 cs.AI cs.LO math.LO
Survey of Trustworthy AI: A Meta Decision of AI
University of Luxembourg（卢森堡大学）；Monash University（莫纳什大学）
针对战略决策中AI信任的元决策问题，提出包含清晰表达、真实、基础三大领域及十个衡量维度的可信人工智能（TAI）新分类框架，拟以此从战略决策视角开展TAI全面综述。
2023-06-12 cs.AI cs.CY
