可解释人工智能对认知负荷的影响：来自一项实证研究的见解
Impact Of Explainable AI On Cognitive Load: Insights From An Empirical Study
AI总结：
本文通过271名准医生的COVID-19用例实证研究，发现不同XAI解释类型显著影响终端用户的认知负荷、任务表现和时间，并基于心理效率指标推荐局部解释类型为最佳。
摘要：
尽管新兴的可解释人工智能（XAI）研究领域声称要解决高性能机器学习模型缺乏可解释性的问题，但在实践中，XAI面向的是开发者而非实际终端用户。毫不奇怪，终端用户往往不愿意使用基于XAI的决策支持系统。同样，关于终端用户在XAI解释使用过程中的行为的跨学科研究也很有限，这使得解释如何影响认知负荷并进一步影响终端用户表现这一问题尚不明确。因此，我们开展了一项涉及271名准医生的实证研究，利用一个COVID-19用例，测量他们在不同实现无关的XAI解释类型下的认知负荷、任务表现和任务时间。我们发现，这些解释类型强烈影响终端用户的认知负荷、任务表现和任务时间。此外，我们将心理效率指标情境化，将局部XAI解释类型评为最佳，从而为未来应用提供建议，并为社会技术XAI研究提供启示。
英文摘要：
While the emerging research field of explainable artificial intelligence (XAI) claims to address the lack of explainability in high-performance machine learning models, in practice, XAI targets developers rather than actual end-users. Unsurprisingly, end-users are often unwilling to use XAI-based decision support systems. Similarly, there is limited interdisciplinary research on end-users' behavior during XAI explanations usage, rendering it unknown how explanations may impact cognitive load and further affect end-user performance. Therefore, we conducted an empirical study with 271 prospective physicians, measuring their cognitive load, task performance, and task time for distinct implementation-independent XAI explanation types using a COVID-19 use case. We found that these explanation types strongly influence end-users' cognitive load, task performance, and task time. Further, we contextualized a mental efficiency metric, ranking local XAI explanation types best, to provide recommendations for future applications and implications for sociotechnical XAI research.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
