Using Processing Fluency as a Metric of Trust in Scatterplot Visualizations
与读者建立信任是可视化数据通信中重要的第一步。但是，是什么让可视化可信呢？心理学和行为经济学研究发现，感知和处理刺激的速度和准确性）是感知信任的核心。我们通过两个实证研究来检验加工流畅性和对可视化的信任之间的关系。在实验1中，我们测试了视觉化对加工流畅性的影响。参与者估计的比例，数据值在指定范围内的六个可视化和一个非可视化控制;他们还报告了他们的感知困难的可视化。与对照组相比，摄影机拍摄的可视化图像产生了不太准确的估计。在实验2中，我们创建了一个决策任务的基础上，信任游戏改编自行为经济学。我们要求参与者将资金投资于两家假设的公司，并报告他们对每家公司的信任程度。一家公司用一个抽象的可视化来传达它的战略，另一家公司用一个受控的可视化。参与者倾向于在公司中投资较少的钱，展示了一个虚拟的形象。因此，我们发现支持的假设，即处理流畅性是视觉数据通信的信任感的关键。
2022-09-28 cs.HC
Trustworthy by Design: The Viewer's Perspective on Trust in Data Visualization
本文通过定性研究考察观看者对不同数据可视化的信任感知，归纳其信任理由与影响因素，并据此为设计师提出可操作的可信可视化设计指南。
2025-03-13 cs.HC
Communicating Uncertainty in Machine Learning Explanations: A Visualization Analytics Approach for Predictive Process Monitoring
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔兰大学）
本文研究如何将模型不确定性量化与PDP、ICE等事后解释方法结合，并通过可视化分析界面在制造业预测性流程监控中验证其有效性与可靠性。
2023-04-12 cs.AI cs.LG stat.AP
How Do We Measure Trust in Visual Data Communication?
信任是可视化设计者和读者之间有效的可视化数据通信的基础。虽然个人经验和偏好会影响读者对可视化的信任，但可视化设计师可以利用设计技术来创建唤起“校准信任”的可视化，读者在批判性地评估所呈现的信息后到达。为了系统地了解是什么驱使读者参与“校准信任”，我们必须首先装备自己可靠和有效的方法来测量信任。计算机科学和数据可视化研究人员尚未就信任定义或度量达成共识，这对于构建人-数据交互中的全面信任模型至关重要。另一方面，社会科学家和行为经济学家已经开发和完善了可以衡量广义信任和人际信任的指标，可视化社区可以参考，修改和适应我们的需求。在本文中，我们收集了现有的方法来评估其他学科的信任，并讨论了我们如何使用它们来衡量，定义和建模数据可视化研究中的信任。具体来说，我们讨论了社会科学的定量调查，行为经济学的信任游戏，通过测量信念更新来测量信任，通过感知方法来测量信任。我们评估这些方法的潜在问题，并考虑如何将它们系统地应用于可视化研究。
2022-09-28 cs.HC
In Automation We Trust: Investigating the Role of Uncertainty in Active Learning Systems
University of Colorado Boulder（科罗拉多大学博尔德分校）
我们研究如何不同的主动学习（AL）查询政策，再加上分类不确定性可视化影响分析师的信任自动分类系统。AL的当前标准策略是查询oracle（例如，分析员）来细化分类器具有最高不确定性的数据点的标签。这是自动化系统的最佳策略，因为它产生最大的信息增益。然而，以模型为中心的策略忽略了这种不确定性对系统中人类组件的影响，以及人类在训练后与系统交互的方式。在本文中，我们提出了一个实证研究评估如何AL查询政策和可视化贷款透明度的分类影响信任的图像数据自动分类。我们发现，查询策略显着影响分析师的信任在图像分类系统，我们使用这些结果，提出了一套Oracle查询策略和可视化AL训练阶段使用，可以影响分析师的信任分类。
2020-04-02 cs.HC cs.LG stat.ML
Building and Eroding: Exogenous and Endogenous Factors that Influence Subjective Trust in Visualization
本文从个体差异视角重新分析可视化信任研究数据，建模内生设计特征与外生用户特征的交互对信任的影响，并提出个性化与自适应可视化设计建议。
2024-08-07 cs.HC
Vis Ex Machina: An Analysis of Trust in Human versus Algorithmically Generated Visualization Recommendations
越来越多的可视化系统通过自动建议相关的可视化来简化数据分析过程。然而，几乎没有工作来了解用户是否信任这些自动推荐。在本文中，我们介绍了一项众包研究的结果，该研究探索了被定位为人工策划或算法生成的推荐的偏好和感知质量。我们观察到，虽然参与者最初更喜欢人类浏览器，他们的行为表明，在评估可视化建议时，对推荐源漠不关心。所提供信息的相关性（例如，某些数据字段的存在）是最关键的因素，其次是相信推荐者创建准确可视化的能力。我们的研究结果表明，一般漠不关心的出处的建议，并指出，可能无法通过简单的措施捕获的可视化质量和可信度的特殊定义。我们建议，推荐系统应该量身定制的特定用户的信息觅食策略。
2021-04-05 cs.HC
Your Model Is Unfair, Are You Even Aware? Inverse Relationship Between Comprehension and Trust in Explainability Visualizations of Biased ML Models
Georgia Institute of Technology（佐治亚理工学院）
本研究针对有偏ML模型可解释性可视化，构建设计特征分类体系，通过用户研究发现理解度与信任度呈反向关系且由偏见感知介导，证实可视化设计可调控相关认知，为负责任ML应用提供参考。
2025-07-31 cs.AI cs.HC
The Impact of Uncertainty Visualization on Trust in Thematic Maps
Arizona State University（亚利桑那州立大学）；University of Waterloo（滑铁卢大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本研究通过实验发现，不确定性可视化在不同层次下会降低主题地图的信任度，但低不确定性地图对信任的影响不显著，且对制图者诚信感影响较弱。
2026-01-30 cs.HC
Deadeye Visualization Revisited: Investigation of Preattentiveness and Applicability in Virtual Environments
可视化依赖于突出显示来吸引和引导我们的注意力。为了使感兴趣的对象独立于多个干扰物而突出，潜在的视觉提示，例如，颜色，必须要注意。在我们之前的工作中，我们介绍了Deadeye作为一种即时可识别的突出显示技术，其工作原理是仅为一只眼睛渲染目标对象。与之前的方法相比，Deadeye的优势在于不修改目标的任何视觉属性。然而，在2D可视化的情况下，该方法需要额外的设置以允许双视呈现，这是相当大的缺点。作为一个后续行动，从社会的要求，本文探讨了Deadeye作为一个突出显示技术的3D可视化，因为这样的立体场景支持dichoptic演示的开箱即用。Deadeye抑制了目标物体的双眼视差，因此我们不能假设我们的技术的适用性是一个给定的事实。出于这个动机，本文对VR中的Deadeye进行了定量评估，包括具有多个异构干扰器的配置作为重要的鲁棒性挑战。在确认在这种真实世界条件下保留的预注意力（所有平均准确率均高于90%）后，我们探索VR体渲染作为Deadeye的示例应用场景。我们描绘了一个可能的工作流程，整合我们的技术，进行探索性调查，以证明的好处和局限性，并最终提供相关的设计影响。
2019-07-10 cs.HC
The Development of Visualization Psychology Analysis Tools to Account for Trust
Kings College London（伦敦国王学院）；Swansea University（斯旺西大学）
定义信任是一项重要的努力，因为它适用于评估公众对新形成的自主产业中的许多创新的情绪，例如人工智能（AI），医疗机器人，无人机，自动驾驶汽车和智能工厂[19]。通过开发可靠的指数或方法来衡量信任，这可能会产生广泛的影响，从促进接受和采用智能系统到向政策制定者通报公众氛围和采用创新变革的意愿，并已被确定为一个重要的指标，在最近的英国政策简报[8]。在本文中，我们反映的重要性和潜在的影响，发展可视化心理学的背景下，解决定义和政策决策问题的复杂结构，如“信任”。
2020-09-28 cs.AI cs.HC
The Role of Visualization in LLM-Assisted Knowledge Graph Systems: Effects on User Trust, Exploration, and Workflows
本文研究LLM辅助知识图谱系统中可视化对用户信任和工作流的影响，开发了LinkQ系统并设计五种可视化机制。对14位从业者的评估发现，用户常因可视化过度信任系统输出，且工作流因经验而异，揭示了虚假信任风险及可视化作为缓解技术的必要性。
2025-05-20 cs.HC cs.LG
Trust Your Gut: Comparing Human and Machine Inference from Noisy Visualizations
Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；Argonne National Laboratory（阿贡国家实验室）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本研究通过两个实验比较人类与机器从噪声可视化中的推断，发现尽管人类整体准确度较低，但凭借内部模型过滤噪声，在面对极端样本时常优于贝叶斯智能体，为可视化分析工具设计提供了整合统计模型与人类直觉的新视角。
2024-07-23 cs.HC cs.LG
Don't trust your eyes: on the (un)reliability of feature visualizations
Google DeepMind（谷歌DeepMind）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（蒂宾根人工智能中心）；University of Toronto（多伦多大学）
本文通过构建欺骗性网络电路并分析标准网络，揭示特征可视化可能显示与真实行为无关的模式，并从理论上证明其可靠理解范围极小，进而呼吁开发具有结构约束的网络以提升可视化可靠性。
2024-06-06 cs.AI cs.CV cs.HC
Exploration of increasing drivers trust in a semi-autonomous vehicle through real time visualizations of collaborative driving dynamic
Thinking Wave是可视化概念的持续发展，展示了半自动驾驶汽车（AV）系统的实时工作和信心。让驾驶员访问这些信息可以为他们的决策提供信息，并使他们能够相应地处理情况并在必要时接管。设计了两种不同的可视化，概念一，潮汐，通过一个简单的图形，在速度和频率波动的强化活动演示了AV系统的努力。概念二，串联，显示了AV系统的努力，以及处理动态和驾驶员和车辆系统之间的共同责任。与东京大学的移动研究团队合作，我们正在对Thinking Wave及其实施方案进行原型设计和改进，同时我们正在努力构建一个集成到驾驶模拟器中的可测试版本。思维波的开发旨在通过增加驾驶员对车辆处理能力的知识和理解来校准信任。通过实现自动驾驶系统能力的透明通信，我们希望能够增强对自动驾驶持怀疑态度的驾驶员的能力，并在紧急接管情况下保持过度信任的驾驶员的警惕，以创造更安全的自动驾驶体验。
2021-07-05 cs.HC
"Trust Junk" Leads to Unjustified Support for Highly Discriminatory Predictive Models
Northeastern University（东北大学）
研究发现在可解释人工智能中，模型解释里提供的准确但多余或无关的数据会使人们对明显歧视性和不公平的模型产生不合理信任，提示XAI设计者和开发者要注意工作中的修辞及可视化带来的潜在问题。
2026-07-17 cs.AI cs.HC
Shades of Uncertainty: How AI Uncertainty Visualizations Affect Trust in Alzheimer's Predictions
The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；Concordia University（康考迪亚大学）
本研究探讨了AI不确定性可视化对阿尔茨海默病预测可信度的影响，发现连续编码提升可靠性，而二元编码增强即时信心，揭示了高不确定性下专业背景的权衡。
2026-02-01 cs.HC
AKRMap: Adaptive Kernel Regression for Trustworthy Visualization of Cross-Modal Embeddings
The Hong Kong University of Science and Technology（香港科技大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
AKRMap是一种新的降维技术，通过在投影空间中学习度量景观的自适应核回归，支持交互式探索，生成比传统方法更准确可信的跨模态嵌入可视化。
2025-05-28 cs.AI cs.CV cs.HC
Healthy skepticism in AI: a data visualization research agenda
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；CNRS (French National Centre for Scientific Research)（法国国家科学研究中心）；Utrecht University（乌得勒支大学）；Stuttgart Technical University of Applied Sciences（斯图加特应用技术大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
本文提出数据可视化研究应支持对AI的信任与健康怀疑，探讨过度依赖现象及可视化在促进批判性思考中的作用。
2026-10-08 cs.AI cs.HC
More Than Accuracy: Towards Trustworthy Machine Learning Interfaces for Object Recognition
University of Bremen（不来梅大学）
本文研究了识别图像中对象的机器学习（ML）系统的可视化的用户体验。这一点很重要，因为即使是好的系统也可能以意想不到的方式失败，就像照片共享网站上的错误分类所显示的那样。在我们的研究中，我们将具有ML背景的用户暴露于三个具有不同准确度的系统的三个可视化。在访谈中，我们探讨了可视化如何帮助用户评估使用中系统的准确性，以及可视化和系统的准确性如何影响信任和依赖。我们发现，参与者在评估ML系统时不仅关注准确性。他们还考虑到错误分类的可感知性和严重性，更喜欢看到预测的概率。语义上合理的错误被判断为不如不合理的错误严重，这意味着系统的准确性可以通过错误的类型来传达。
2020-08-05 cs.CV cs.HC
Making the Invisible Visible: Risks and Benefits of Disclosing Metadata in Visualization
伴随着元数据的数据可视化可以通过促进内容理解，加强信任和提供问责制来使读者受益。然而，提供这种信息也可能产生负面的、意想不到的后果，例如使读者的解释产生偏见，由于太多的透明度而失去信任，以及使具有少数民族身份的可视化创作者受到不当批评的可能性。为了帮助未来的可视化研究人员和从业者决定包括哪些类型的元数据，我们讨论了公开五种元数据的潜在好处和风险：关于底层数据源的元数据;进行的清理和处理;使用的标记，通道和其他设计元素;直接创建可视化的人;以及为谁创建可视化的人。最后，我们提出了一些开放的研究问题，如何沟通可视化的元数据。
2021-08-30 cs.HC
Voicing Uncertainty: How Speech, Text, and Visualizations Influence Decisions with Data Uncertainty
本研究通过众包实验对比可视化、文本为主、语音为主的不确定性呈现方式对决策的影响，发现语音呈现增加风险决策、文本呈现降低信心，还探究了语音特征及口音的作用，强调呈现数据不确定性需考虑声学与语境因素。
2024-08-15 cs.HC
Seeing is Believing: The Role of Scatterplots in Recommender System Trust and Decision-Making
本文通过两部分人类受试者实验，研究了散点图对推荐系统决策的影响，发现伴随描述性准确度的散点图能更有效提升用户信任并辅助验证决策。
2024-09-20 cs.HC
Analyzing Character Representation in Media Content using Multimodal Foundation Model: Effectiveness and Trust
University of Glasgow（格拉斯哥大学）；University of Leeds（利兹大学）；University of Warwick（沃里克大学）
本文提出基于CLIP多模态基础模型的角色表征分析工具及可视化组件，并通过用户研究评估AI生成结果的有用性与可信度，发现受众认可其有用性但对AI模型信任度中等偏低。
2025-08-26 cs.AI cs.HC cs.LG
Visualizing Uncertainty in Translation Tasks: An Evaluation of LLM Performance and Confidence Metrics
本研究针对LLM翻译不确定性，提出三种UQ指标并开发网页可视化工具，通过T5模型和WMT19数据集验证，发现与传统指标线性相关，增强了翻译系统的可解释性。
2025-02-24 cs.AI cs.CL cs.LG
What Do We Actually Learn from Evaluations in the "Heroic Era" of Visualization?
我们经常指出，与该领域的早期相比，可视化系统评估的数量和复杂性相对增加，作为我们作为一个领域正在成熟的证据。我不太相信。特别是，我觉得，可视化的评估，因为他们通常在现场执行或要求由审查员，没有告诉我们很多是有用的或可转让的可视化系统，无论统计的严谨性或生态有效性的评估。通过一系列的思想实验，我展示了我们目前的可视化评估的概念是如何不完整的，反复无常的，或者对于进一步发展该领域的目标是无用的，更符合医学科学的“英雄时代”，而不是我们可能渴望成为的严格的循证领域。最后，我建议重新审视我们设计评价的模式以及我们作为一个领域的优先事项。
2020-08-25 cs.HC
Trust in AutoML: Exploring Information Needs for Establishing Trust in Automated Machine Learning Systems
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）；IBM
我们在数据科学的一个相对较新的领域探索信任：自动化机器学习（AutoML）。在AutoML中，AI方法用于通过自动工程特征、选择模型和优化超参数来生成和优化机器学习模型。在本文中，我们试图了解什么样的信息会影响数据科学家对AutoML模型的信任？我们将信任操作化为部署使用自动化方法生成的模型的意愿。我们报告了三项研究的结果-定性访谈，对照实验和卡片分类任务-以了解数据科学家在AutoML系统中建立信任的信息需求。我们发现，在AutoML工具中包含透明度功能增加了用户对该工具的信任和可理解性;在所有提出的功能中，模型性能指标和可视化是数据科学家在建立对AutoML工具的信任时最重要的信息。
2020-01-17 cs.CY cs.HC cs.LG
My Model is Unfair, Do People Even Care? Visual Design Affects Trust and Perceived Bias in Machine Learning
通过1500人参与的众包实验，发现视觉设计选择显著影响利益相关者对机器学习模型偏差的感知、信任及采用意愿，且性别差异导致对公平与性能的优先级不同，为可视化系统设计提供了指导。
2023-08-07 cs.HC
Comparative Layouts Revisited: Design Space, Guidelines, and Future Directions
我们对三种比较布局（即，并置、叠加和显式编码），它们是设计用于支持比较任务的信息可视化（InfoVis）布局。在过去的十年中，这些布局已经成为设计许多可视化系统的基本习惯用法。然而，我们发现，布局已使用不一致的术语和混乱，从以前的研究是支离破碎的教训。我们的研究目标是从以前的研究中提炼出一个一致的和可重用的框架。我们回顾了127篇研究论文，其中包括15篇采用比较布局的定量用户研究论文。我们首先通过建议清晰的术语（例如，图表式和项目式并置）。然后，我们确定了比较布局的各个方面，如在现实世界中使用每种布局的优势和问题，以及研究人员克服这些问题的方法。在Gleicher等人的初步见解的基础上建立我们的知识。的调查，我们详细阐述了相关的经验证据，我们从我们的调查（例如，布局在不同研究设置中的实际有效性）并识别原始工作没有覆盖的新颖方面（例如，人们对布局的熟悉度）。最后，我们展示了比较布局的性能上的一致和矛盾的结果，并通过提出权衡和七个可操作的指导方针，为使用布局提供了实际意义。
2020-09-01 cs.HC
Visualization Of Class Activation Maps To Explain AI Classification Of Network Packet Captures
Fraunhofer IGD（弗劳恩霍夫计算机图形学研究所）；Technische Universität Darmstadt（达姆施塔特工业大学）
由于当今网络和应用的快速增长，互联网流量的分类变得越来越重要。网络中连接的数量和新应用程序的增加导致了大量的日志数据，并使专家搜索常见模式变得复杂。在特定类别的应用程序中找到这样的模式对于满足网络分析的各种要求是必要的。深度学习方法在单个系统中从数据中提供特征提取和分类。然而，这些网络非常复杂，并且被用作黑箱模型，这削弱了专家对分类的信任。此外，通过将它们用作黑盒，尽管它们具有出色的性能，但不能从模型预测中获得新的知识。因此，分类的可解释性至关重要。除了增加信任外，解释还可以用于模型评估，从数据中获得新的见解并改进模型。在本文中，我们提出了一个可视化的交互工具，结合了网络数据的分类与解释技术，形成专家，算法和数据之间的接口。
2022-11-22 cs.HC cs.LG cs.NI
Visual Analytics for Explainable and Trustworthy Artificial Intelligence
Utrecht University（乌特勒支大学）
本文探讨了可视化分析如何通过结合AI模型与交互式可视化，在典型AI管道各阶段培养信任，并提出创新可视化设计空间及支持关键任务的VA仪表板。
2025-07-14 cs.AI cs.HC cs.LG
Context-Aware Visualization for Explainable AI Recommendations in Social Media: A Vision for User-Aligned Explanations
Newcastle University（纽卡斯尔大学）
针对社交媒体AI推荐解释通用、未对齐用户需求的问题，提出首个在单一流水线中同时适配解释风格和粒度的上下文感知可视化解释系统，将通过30名X用户的公开试点验证其对决策和信任的影响。
2025-08-01 cs.AI cs.HC cs.LG
Visualizations for an Explainable Planning Agent
Computer Science Department, Arizona State University（亚利桑那州立大学计算机科学系）；IBM T. J. Watson Research Center（IBM T.J.沃森研究中心）
在本文中，我们报告了一个可解释的人工智能规划（XAIP）代理，可以支持人类在循环决策的可视化功能。为了与端到端自动规划系统建立信任和共同点，对这些代理人提出透明度和可解释性要求尤为重要。可视化代理的内部决策过程是实现这一目标的关键一步。这可能包括外部化代理的“大脑”-从其感官输入开始，逐步由它做出更高阶的决定，以驱动其规划组件。我们还展示了规划师如何引导可解释规划的最新技术，以将计划可视化作为计划解释问题，从而提供简洁的基于模型的可视化计划。我们在仪表化会议空间中的智能助理的自动规划组件的背景下演示了这些功能。
2018-02-08 cs.AI cs.CY cs.HC
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen（杜伊斯堡-埃森大学）；National University of Sciences and Technology（国家科技大学）
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究，提出了设计指导原则，并指出了未来研究方向，以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
Trust Calibration as a Function of the Evolution of Uncertainty in Knowledge Generation: A Survey
Northern Illinois University（北伊利诺伊大学）
用户信任是设计强大的可视化分析系统的关键考虑因素，该系统可以引导用户得出合理合理的结论，尽管人类，机器和数据源引入了不可避免的偏见和其他不确定性，这些数据源绘制了知识出现的画布。在研究考虑后出现了许多因素，这些因素引入了相当大的复杂性，并加剧了我们对可视化分析系统中信任关系如何演变的理解，就像它们在智能社会技术系统中一样。然而，视觉分析系统本质上并不引发与其更简单的表兄弟完全相同的现象，也不一定是相同类型的现象。无论如何，这两个应用程序域都呈现了产生可信性需求的相同根本原因：不确定性和风险假设。此外，视觉分析系统，甚至比（传统上）倾向于在处理过程中直接人类输入和方向的智能系统更受许多认知偏见的影响，这些认知偏见进一步加剧了对可能影响用户信心的不确定性的解释，并最终影响对系统的信任。在这篇文章中，我们认为，通过信息提取和假设检验来解释数据源中不确定性的传播，对于理解用户对可视化分析系统的信任如何在其生命周期中演变是必要的，分析师对可视化参数的选择为我们提供了一种简单的方法来捕捉不确定性和认知偏差之间的相互作用，作为分析师在评估解释时执行的搜索任务。我们从视觉分析，人类认知理论和不确定性的文献中抽取了广泛的横截面，并试图综合一个有用的观点。
2022-09-09 cs.AI cs.HC
PADTHAI-MM: Principles-based Approach for Designing Trustworthy, Human-centered AI using MAST Methodology
Arizona State University（亚利桑那州立大学）；Aptima, Inc.（Aptima公司）；U.S. Department of Homeland Security（美国国土安全部）；Air Force Office of Scientific Research（空军科学研究办公室）
本文提出PADTHAI-MM框架，通过MAST方法论设计可信AI系统，通过READIT平台验证，评估MAST对AI信任的影响，并探讨MAST评分与信任因素的关系。
2025-01-22 cs.CY cs.HC
Helping results assessment by adding explainable elements to the deep relevance matching model
在本文中，我们解决的可解释性网络搜索引擎。我们提出了两个可解释的元素上的搜索引擎结果页面：一个可视化的查询词权重和可视化的通道相关性。这个想法是，搜索引擎向用户表明为什么检索结果是由用户的价值更高，并获得用户的信任。我们从深度相关匹配模型（DRMM）中的术语门控网络推导出查询术语权重，并将其可视化为甜甜圈图。此外，我们用DRMM训练了一个高级排名器，它从每个文档中选择最相关的段落，并在结果页面上显示为片段。在片段旁边，我们显示了一个文档缩略图，突出显示了这段文字。我们评估建议的接口在一个在线用户研究，要求用户判断的可解释性和可评估性的接口。我们发现，用户判断我们提出的界面明显更易于解释和更容易评估比常规的搜索引擎结果页面。然而，他们在从前5名中选择相关文件方面并没有明显的优势。这表明搜索引擎结果页面的可解释性导致更好的用户体验。因此，我们得出结论，建议的可解释元素是有前途的可视化搜索引擎用户。
2021-06-09 cs.HC cs.IR
