协作因果感知：弥合人类-人工智能决策支持中的补充性差距
计算与语言
2026-03-26 v5 人工智能
人机交互
机器学习
摘要
基于大语言模型的智能体正在被部署用于专家决策支持，但在高风险情境下的人类-人工智能团队尚未能可靠地超越最佳的单一成员。我们认为，这一补充性差距反映出根本性的错位：当前的智能体被训练为答案引擎，而非在专家实际进行决策时所依赖的协作感知伙伴。感知（即共同构建因果解释、暴露不确定性、调整目标的能力）是关键能力，而当前的训练流程未能显式开发或评估。我们提出“协作因果感知”（Collaborative Causal Sensemaking, CCS）作为一项研究议程，以此为基础开发该能力，涵盖新的训练环境（以奖励协作思维为导向）、用于共享人类-人工智能心智模型的表征，以及以信任和补充性为中心的评估。综上，这些方向将 MAS 研究从构建类占英答案引擎的工作，转向培育与人类合作伙伴共同推演其共享决策因果结构的人工智能团队，从而提升人类-人工智能团队的设计效果。
引用
@article{arxiv.2512.07801,
title = {Collaborative Causal Sensemaking: Closing the Complementarity Gap in Human-AI Decision Support},
author = {Raunak Jain},
journal= {arXiv preprint arXiv:2512.07801},
year = {2026}
}