Metacognitive Agents for Ethical Decision Support: Conceptual Model and Research Roadmap
University of Birmingham(伯明翰大学)
当意图和行动之间存在差异时,就存在道德价值-行动差距。这种差异可能是由社会和结构性障碍以及认知偏见造成的。认知和情感的计算模型可以提供对价值-行动差距以及如何缩小差距的见解。特别是,元认知(“思考思考”)在许多这些模型中扮演着重要的角色,作为一种自我调节和推理心理态度的机制。本文概述了将认知情感模型转化为辅助代理以帮助做出价值一致的决策的路线图。
2022-02-24 cs.AI
UserToolBench: A User-Profile-Hidden Benchmark for Personalized Decision Making in Tool-Use LLMs
Sun Yat-Sen University(中山大学);Nanyang Technological University(南洋理工大学)
UserToolBench是针对工具使用类大语言模型的基准测试集,可评估模型从交互历史推断用户偏好等个性化决策能力,实验发现当前模型在多工具协调等方面仍存瓶颈。
2026-08-12 cs.AI cs.LG
ALIGN: Prompt-based Attribute Alignment for Reliable, Responsible, and Personalized LLM-based Decision-Making
kitware(Kitware公司)
提出 ALIGN 开源框架,通过基于提示的细粒度属性对齐实现 LLM 决策者的动态个性化,支持定性与定量分析,并在公共意见调查和医疗分诊领域验证了其有效性。
2025-07-11 cs.AI cs.CL
Can LLMs Make (Personalized) Access Control Decisions?
Department of Computer Science, ETH Zurich(苏黎世联邦理工学院计算机科学系);Computing Systems Lab, Huawei Technologies Switzerland AG(华为技术瑞士有限公司计算系统实验室)
本文研究LLMs在访问控制决策中的应用,发现其能有效反映用户偏好,但个性化可能影响安全实践。
2025-11-25 cs.AI cs.CR
Learning to Guide Human Experts via Personalized Large Language Models
University of Pisa(比萨大学);University of Trento(特伦托大学)
针对学习弃权(不执行)中专家过度依赖机器及弃权后无辅助的问题,提出学习引导(LTG)框架,让机器提供指导而非现成决策,并设计SLOG利用少量人类监督使大语言模型生成文本指导,在医学诊断任务上取得初步成效。
2023-08-11 cs.AI cs.CL
Eating for a Sustainable Planet: Personalized Sustainable Diet Recommendation via Constraint-Aware Decision-Making Modeling
School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences(中国科学院大学先进交叉科学学院);State Key Laboratory of AI Safety, Institute of Computing Technology(中国科学院计算技术研究所人工智能安全国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学)
该研究针对可持续饮食的个体适配难题,提出基于约束感知决策机制的个性化推荐模型,构建含15万份食谱的SusDiet数据集,验证其可在兼顾个人偏好的同时推动可持续饮食选择,为相关干预与政策提供定量依据。
2026-08-26 cs.AI
Not all users are the same: Providing personalized explanations for sequential decision making problems
Arizona State University(亚利桑那州立大学)
人们对设计能够与人类一起工作的自主智能体越来越感兴趣。毫无疑问,这些代理人将被期望解释他们的行为和决定。虽然生成解释是一个积极研究的主题,但大多数作品倾向于关注生成解释的方法,这些方法适用于所有人。因为在用户模型的细节完全被忽略。少数作品着眼于根据用户的背景来定制他们的解释,这依赖于用户的特定模型(分析模型或学习标记模型)。因此,这项工作的目标是提出一个端到端的自适应解释生成系统,开始学习不同类型的用户,代理可以与之交互。然后,在与目标用户的交互过程中,它的任务是在运行中识别类型,并相应地调整其解释。前者是通过数据驱动的聚类方法实现的,而对于后者,我们将解释生成问题编译为POMDP。我们证明了我们的系统在两个域上使用最先进的POMDP求解器的有用性。我们还报告了一项用户研究的结果,该研究调查了在人机交互环境中提供个性化解释的好处。
2021-06-23 cs.AI cs.HC
Personalized Decision Modeling: Utility Optimization or Textualized-Symbolic Reasoning
Department of Civil and Systems Engineering(土木与系统工程系);Johns Hopkins University(约翰霍普金斯大学);Department of Systems and Information Engineering(系统与信息工程系);University of Virginia(弗吉尼亚大学);Johns Hopkins Data Science and AI Institute(约翰霍普金斯大学数据科学与人工智能研究所)
本文提出自适应文本符号以人为中心的推理框架ATHENA,通过结合LLM文本推理与效用理论,分群体级符号发现和个体级语义适应两阶段建模个性化决策,在出行和疫苗选择任务上F1分数较最强模型提升至少6.5%。
2025-11-04 cs.AI cs.CL cs.CY
ValuePilot: A Two-Phase Framework for Value-Driven Decision-Making
State Key Laboratory of General Artificial Intelligence, BIGAI(1 通用人工智能国家重点实验室,BIGAI);Tsinghua University(2 清华大学);Peking University(3 北京大学)
ValuePilot通过双阶段框架实现价值驱动的个性化决策,提升AI在复杂场景中的可解释性和适应性。
2025-12-09 cs.AI
AI-driven Personalized Privacy Assistants: a Systematic Literature Review
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);Department of Mathematics(数学系);Computer Science, Faculty of Health, Science(计算机科学,健康、科学学院);Technology, Karlstad University(技术,卡尔斯塔德大学)
本文通过系统文献综述,对基于人工智能的个性化隐私助手进行了全面分类和分析,揭示了现有研究的空白和未来发展方向。
2025-05-20 cs.AI cs.CY
ValuePilot: A Two-Phase Framework for Value-Driven Decision-Making
BIGAI(北京智源人工智能研究院);Tsinghua University(清华大学)
提出两阶段价值驱动决策框架ValuePilot,通过DGT生成数据集并训练DMM模块,在给定人类价值偏好下实现最接近人类的个性化决策,优于多个主流大模型。
2025-03-06 cs.AI
Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education
University of Iowa(爱荷华大学)
本研究利用GPT-4开发学习分析工具,量化学生参与度并评估教学策略,以支持数据驱动的个性化教育决策。
2024-09-18 cs.AI cs.CY cs.HC
EduBot -- Can LLMs Solve Personalized Learning and Programming Assignments?
Courant Institute of Mathematical Sciences, New York University(纽约大学数学科学研究所)
本文提出智能助手系统 EduBot,通过递归提示驱动方法结合 LLMs 解决个性化学习与复杂编程作业,在 20 个场景基准测试中验证了其高效性、跨模型兼容性与鲁棒性。
2025-04-23 cs.AI cs.SE
Towards Personalized Explanation of Robot Path Planning via User Feedback
University of Virginia(弗吉尼亚大学)
先前的研究发现,解释机器人的决策和行动有助于提高系统的透明度,提高用户的理解,并实现有效的人机协作。在本文中,我们提出了一个系统,通过用户反馈生成个性化的机器人路径规划的解释。我们考虑机器人在建模为马尔可夫决策过程(MDP)的环境中导航,并开发一种算法来自动生成最佳MDP策略的个性化解释,基于用户对四个元素(即,目标、位置、特异性和语料库)。此外,我们设计的系统与用户互动,通过回答用户的进一步的问题,产生的解释。用户可以选择更新他们的偏好以查看不同的解释。该系统能够通过用户交互来检测和解决任何偏好冲突。在线用户研究的结果表明,生成的个性化解释提高用户满意度,而大多数用户喜欢系统的问答和冲突检测/解决的能力。
2021-03-05 cs.AI cs.RO
Task-agnostic Decision Transformer for Multi-type Agent Control with Federated Split Training
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
针对个性化智能体状态与动作空间差异导致的联邦学习聚合难题,提出联邦拆分决策Transformer(FSDT),采用两阶段训练,在D4RL基准上实现高效、隐私保护的多类型智能体决策,显著降低通信与计算开销。
2024-05-22 cs.AI cs.LG
VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction
Purdue University(普渡大学);University of California, Riverside(加州大学河滨分校)
提出VISTA-DZ框架,通过视觉语义轨迹表示和语言模型生成行为画像,实现个性化停走决策与决策时间预测,在仿真和真实数据集上优于基线方法。
2026-06-28 cs.AI cs.DB cs.HC
Deep Reinforcement Learning for Personalized Diagnostic Decision Pathways Using Electronic Health Records: A Comparative Study on Anemia and Systemic Lupus Erythematosus
Inria Paris(法国国家信息与自动化研究所巴黎中心);Centre de Recherche des Cordeliers(科德利埃研究所);Inserm(法国国家健康与医学研究院);Université Paris Cité(巴黎西岱大学);Sorbonne Université(索邦大学);Hôpital Necker(内克尔医院);Assistance Publique - Hôpitaux de Paris(巴黎公共医疗援助医院)
该研究将诊断建模为序列决策问题,利用DRL从含噪声和缺失的EHR中学习贫血与SLE的个性化诊断路径,在保持与传统分类器竞争力的同时提供可解释的逐步决策过程。
2024-04-09 cs.AI cs.LG
Attention on Personalized Clinical Decision Support System: Federated Learning Approach
Kyung Hee University(庆熙大学)
针对临床数据隐私保护与集中训练的难题,本研究提出基于联邦学习、融合注意力机制的序列到序列个性化临床决策支持系统,可在不交换患者隐私数据的前提下训练模型,辅助医疗诊断。
2024-01-22 cs.AI cs.DC cs.ET
Probe: Learning Users' Personalized Projection Bias in Intertemporal Choices
Zhejiang Lab(之江实验室);Tsinghua University(清华大学)
本文提出偏好模型 Probe,结合投射偏差与参考点效应,利用前景理论建模用户跨期选择中的捆绑购买决策,并通过理论与实验证明其优于现有方法。
2023-09-19 cs.AI cs.IR
Data Mining Session-Based Patient Reported Outcomes (PROs) in a Mental Health Setting: Toward Data-Driven Clinical Decision Support and Personalized Treatment
Centerstone Research Institute(森特斯顿研究所)
CDOI结局指标-一种利用直接客户反馈的患者报告结局(PRO)工具-在一个大型的真实世界行为医疗保健环境中实施,以评估先前来自较小对照研究的结果。PRO提供了一个基于客户感知的治疗有效性的替代窗口,并有助于检测没有可辨别措施的问题/症状(例如疼痛)。该研究的主要重点是评估CDOI在实时临床环境中用于结局预测建模的实用性。实施因素也解决了计划行为理论的框架内,通过将采用率与实施实践和临床医生的看法。结果表明,CDOI确实具有显著的能力,可以根据基线和早期变化评分在大型真实临床环境中预测随时间推移的结果增量,如先前研究所示。实施分析揭示了一些关键因素,影响成功实施和采用CDOI结果的措施,虽然有一个显着的临床医生的意图和实际行为之间的脱节。最重要的是,CDOI的预测能力强调了PRO等直接客户反馈措施的实用性及其作为下一代临床决策支持工具和个性化治疗方法的基础的潜在用途。
2011-12-07 cs.AI cs.GL
A Conceptual Model for AI Adoption in Financial Decision-Making: Addressing the Unique Challenges of Small and Medium-Sized Enterprises
University of Quebec at Outaouais(魁北克大学乌塔韦分校);Thuongmai University(商业大学);University of Quebec at Trois-Rivières(魁北克大学三河城分校)
本文提出了一种面向中小企业财务决策的AI采纳概念模型,旨在解决资源有限、技术专长不足和数据管理能力薄弱等挑战,通过分层结构优化财务预测、预算编制和风险管理。
2025-12-03 cs.AI
Dynamic-K Recommendation with Personalized Decision Boundary
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
在本文中,我们研究了最常见的隐式反馈情况下的推荐任务(例如,点击、购买)。在这个方向上的最先进的方法通常将问题投射为学习关于一组项目的个性化排名(例如,网页、产品)。然后将前N个结果作为推荐提供给用户,其中N通常是由系统根据一些启发式标准(例如,页面大小、屏幕大小)。这种固定人数推荐方案有一个主要假设,即,对于用户的偏好总是有足够的相关项目。不幸的是,这种假设在现实世界中可能并不总是成立。在一些应用中,可能有非常有限的候选项目推荐,和一些用户可能有很高的相关性要求的推荐。以这种方式,即使排名前1的项目也可能与用户的偏好不相关。因此,我们认为,这是至关重要的,以提供一个动态K推荐,其中K应该是不同的候选项集和目标用户。我们制定这个动态K推荐任务作为一个联合学习问题的排名和分类目标。排名目标与现有方法相同,即,以根据用户的兴趣创建项目的排名列表。分类目标是唯一的,在这项工作中,其目的是学习一个个性化的决策边界,以区分相关的项目从不相关的项目。基于这些思想,我们扩展了两种最先进的基于排名的推荐方法,即,BPRMF和HRM,转换为相应的动态K版本,即DK-BPRMF和DK-HRM。我们在两个数据集上的实验结果表明,动态K模型比原来的固定N推荐方法更有效。
2020-12-25 cs.AI cs.IR
Uncertainty-aware Personal Assistant for Making Personalized Privacy Decisions
Bogazici University(海峡大学);Ozyegin University(厄兹耶因大学);Utrecht University(乌得勒支大学)
诸如在线社交网络之类的许多软件系统使得用户能够共享关于他们自己的信息。虽然分享的行为很简单,但它需要一个关于隐私的复杂思考过程:分享什么,与谁分享,以及为了什么目的。为要共享的每一段内容考虑这些是乏味的。最近解决这个问题的方法建立了个人助理,可以通过随着时间的推移了解什么是隐私并向用户考虑共享的个人内容推荐隐私标签(例如私人或公共)来帮助用户。然而,隐私本质上是模糊的,高度个人化的。现有的隐私决策建议方法并不能充分解决隐私的这些方面。理想情况下,个人助理应该能够根据给定用户调整其推荐,同时考虑到该用户的隐私理解。此外,个人助理应该能够评估其建议何时不确定,并让用户自己做出决定。因此,本文提出了一种个人助理,其使用证据深度学习来基于其隐私标签对内容进行分类。个人助理的一个重要特征是,它可以明确地对其决策中的不确定性进行建模,确定它不知道答案,并在其不确定性很高时委托做出建议。通过考虑用户自己对隐私的理解,例如风险因素或自己的标签,个人助理可以个性化每个用户的推荐。我们使用一个众所周知的数据集来评估我们提出的个人助理。我们的研究结果表明,我们的个人助理可以准确地识别不确定的情况下,个性化他们的用户的需求,从而帮助用户保护他们的隐私。
2022-07-28 cs.AI
DM-Bench: Benchmarking LLMs for Personalized Decision Making in Diabetes Management
University of Virginia(弗吉尼亚大学);Dexcom(德科姆公司)
本研究推出首个面向糖尿病患者日常个性化决策的LLM基准DM-Bench,含7类任务、36万余道个性化问题,覆盖三类糖尿病群体的时序数据,多指标评测8款模型发现各有优劣,助力糖尿病AI方案优化。
2025-10-02 cs.AI cs.CY cs.LG
A Conceptual Framework for AI-based Decision Systems in Critical Infrastructures
IRT SystemX(IRT系统X);INESC TEC;TenneT;SBB;Delft University of Technology(代尔夫特理工大学);EnliteAI;Zurich University of Applied Science(苏黎世应用科学大学);Réseau de Transport d’Electricité(电力传输网络);Flatland Association(Flatland协会);Politecnico di Milano(米兰理工大学);University of Applied Sciences Northwestern Switzerland(瑞士西北应用科学大学);Fraunhofer IEE(弗劳恩霍夫研究所)
针对安全关键系统中人类与AI交互的未充分解决挑战,本文提出跨学科整合多领域的关键基础设施AI决策系统概念框架,通过电网管理案例验证了其灵活性,以弥合系统设计部署的关键差距。
2025-08-19 cs.AI cs.CY
Three-way decision with incomplete information based on similarity and satisfiability
College of mathematics, Southwest Jiaotong University, Chengdu 610031, P.R. China(数学学院,西南交通大学,成都610031,中国);Department of Computer Science, University of Regina, Regina SK S4S 0A2, Canada(计算机科学系,里贾纳大学,里贾纳,加拿大)
本文提出基于相似性和可满足性的不完整信息三元决策方法,扩展了传统计算和概念性公式,引入了α-相似性类和近似性概念,以提升实际应用中的决策能力。
2025-12-24 cs.AI
An Agentic Just-in-Time Adaptive Intervention System for Personalized Sleep Support: Proof-of-Concept Study with N of 1 Data
本研究提出一种基于AI智能体的睡眠即时自适应干预系统,通过审查个人行为数据并动态调整提醒,实现个性化睡眠支持,初步验证了技术可行性。
2026-09-21 cs.AI cs.HC
Personalized Privacy Auditing and Optimization at Test Time
Syracuse University(雪城大学)
许多用于后续领域的学习模型,例如帮助法律,银行,招聘和医疗保健决策,利用潜在的敏感用户信息来进行推理。此外,通常需要完整的特征集来执行推断。这不仅给使用学习系统的个人带来了严重的隐私风险,而且还需要公司和组织大量的人力来验证发布信息的正确性。本文询问是否有必要要求\emph{all}输入功能的模型在测试时返回准确的预测,并表明,在个性化的设置下,每个人可能需要释放这些功能的一小部分,而不会影响最终的决定。本文还提供了一个有效的顺序算法,选择哪些属性应该由每个人提供。对几个学习任务的评估表明,个人可能能够报告少至10%的信息,以确保使用完整用户信息的模型的相同水平的准确性。
2023-01-31 cs.AI cs.CR cs.LG
Explainable Reinforcement Learning for Broad-XAI: A Conceptual Framework and Survey
Deakin University(迪肯大学);Federation University Australia(澳大利亚联邦大学)
广义可解释的人工智能不再基于单一数据解释个体决策,而是旨在将多个机器学习算法的综合解释转化为对代理行为的连贯解释,该解释与被解释者的通信需求相一致。我们提出的强化学习(RL)方法为开发Broad-XAI所需的认知模型提供了潜在的支柱。RL代表了一套在解决一系列顺序决策问题方面取得越来越大成功的方法。然而,这些算法都是作为黑盒问题解决器运行的,它们通过一系列复杂的值和函数来混淆决策策略。可解释强化学习(XRL)是一个相对较新的研究领域,旨在开发从智能体中提取概念的技术:对环境的感知;内在/外在动机/信念; Q值,目标和目的。本文旨在介绍一个概念框架,称为因果XRL框架(CXF),它统一了当前的XRL研究,并使用RL作为Broad-XAI开发的骨干。此外,我们认识到RL方法能够结合一系列技术,以允许代理适应其环境。CXF旨在纳入许多标准RL扩展,并与外部本体和通信设施集成,以便代理可以回答解释结果并证明其决策的问题。
2021-08-20 cs.AI
Development of Mental Models in Human-AI Collaboration: A Conceptual Framework
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出概念框架,阐明人机协作设计如何通过数据情境化、推理透明度和绩效反馈机制驱动三种心智模型的发展,以促进有效协作。
2025-10-09 cs.AI cs.HC
Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院);Northeastern University(东北大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Brandeis University(布兰迪斯大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种基于图神经网络的多尺度融合个性化医疗决策算法,通过挖掘患者多源数据关联,在疾病预测、疗效评估和风险分层上显著优于传统方法。
2024-05-23 cs.AI cs.CV cs.LG
Intelligent Decision Assistance Versus Automated Decision-Making: Enhancing Knowledge Work Through Explainable Artificial Intelligence
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
虽然基于人工智能的自动化决策的最新进展为企业和社会带来了许多好处,但也付出了代价。长期以来,人们一直知道,高水平的决策自动化可能会导致各种缺点,例如自动化偏见和技能下降。特别是,知识工作者的去技能化是一个主要问题,因为他们也是应该训练、挑战和发展人工智能的人。为了解决这个问题,我们概念化一类新的DSS,即智能决策辅助(IDA)的基础上两个不同的研究流- DSS和自动化的文献综述。IDA通过自动化决策支持知识工作者,而不影响他们。具体来说,我们建议使用可解释AI(XAI)技术,同时保留具体的AI建议。为了检验这一概念,我们开发假设的影响,IDA和文献中的实证研究的基础上,其有效性提供了第一个证据。
2021-09-28 cs.AI cs.HC
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
Am I Being Treated Fairly? A Conceptual Framework for Individuals to Ascertain Fairness
Data Science and Computational Intelligence Institute (DaSCI), University of Granada(格拉纳达大学数据科学与计算智能研究所(DaSCI));University of Bergen(卑尔根大学);Department of Computer Science and Artificial Intelligence (DCSAI), University of Granada(格拉纳达大学计算机科学与人工智能系(DCSAI))
本文提出一个概念框架,赋予个体评估自动决策系统公平性的能力,将公平性视为个体的认知权利,使其能理解、质疑和验证决策,并为组织与政策制定者提供蓝图。
2025-04-03 cs.AI cs.CY cs.HC
A dataset of rated conceptual arguments
该研究构建了含多维度专家评分的概念论证数据集,提出两种评分函数并基准测试多模型,发现模型性能与通用能力排名相关。
2026-07-31 cs.AI
Decision-Focused Model-based Reinforcement Learning for Reward Transfer
SEAS, Harvard University(哈佛大学工程与应用科学学院);Imperial College London(伦敦帝国学院);Amazon(亚马逊公司)
本文针对医疗等关键领域中奖励函数易变且模型需简单可解释的问题,提出鲁棒决策聚焦算法 RDF,使学习的转移模型在奖励变化下仍能获得高回报,并在多种模拟器和真实患者数据上验证了其规划个性化策略的有效性。
2024-11-21 cs.AI cs.LG
Spoiled for Choice? Personalized Recommendation for Healthcare Decisions: A Multi-Armed Bandit Approach
Michael G. Foster School of Business, University of Washington(华盛顿大学迈克尔·G·福斯特商学院);Kelley School of Business, Indiana University(印第安纳大学凯利商学院)
在线医疗社区为用户提供各种医疗干预措施,以促进健康行为并提高依从性。然而,当面临太多的干预选择时,个人可能会发现很难决定采取哪种选择,特别是当他们缺乏评估不同选择的经验或知识时。选择过多的问题可能会对用户参与健康管理产生负面影响。在这项研究中,我们采取设计科学的角度提出了一个建议框架,帮助用户选择医疗保健干预措施。考虑到用户的健康行为可以是高度动态和多样化的,我们提出了一个多臂强盗(MAB)驱动的推荐框架,这使我们能够自适应地学习用户的偏好变化,同时促进推荐的多样性。为了更好地适应MAB的医疗背景下,我们合成两个创新的模型组件的基础上突出的健康理论。第一个组件是基于深度学习的特征工程程序,旨在学习与用户的连续健康历史、健康管理经验、偏好和医疗干预的内在属性有关的关键推荐上下文。第二个组成部分是多样性约束,它在结构上使不同维度的建议多样化,为用户提供全面的支持。我们将我们的方法应用于在线体重管理环境,并通过一系列实验对其进行严格评估。我们的研究结果表明,每个设计组件是有效的,我们的推荐设计优于广泛的国家的最先进的推荐系统。我们的研究有助于研究商业智能的应用,并对多个利益相关者产生影响,包括在线医疗平台,政策制定者和用户。
2020-09-13 cs.AI cs.IR cs.LG
Human-centred explanation of rule-based decision-making systems in the legal domain
Dutch Tax and Customs Administration(荷兰税务与海关管理局);Utrecht University(乌得勒支大学)
本文提出一种面向法律领域基于规则的自动决策系统的人本化解释方法,构建了包含内部组件与外部依赖的概念框架,并利用图数据库实现问题驱动、多媒体展示及用户定制化解释,在荷兰税务海关管理局的真实场景中验证了其有效性。
2023-10-25 cs.AI cs.HC