面向误information检测的有效AI解释设计：内容、社交与组合解释的比较研究

本文研究了AI对误information的解释问题，即识别有助于提升用户误information检测能力和整体用户体验的解释设计。我们的工作源于当前可解释AI（XAI）方法的局限性，这些方法主要关注内容解释，即阐明误information的语言特征和句子结构。为克服这一局限，我们探索了内容解释之外的各种解释，例如'社交解释'，它考虑到误information周围的更广社交背景，以及'组合解释'，即在内容与社交解释相互吻合或不吻合的情境中呈现两者。为评估这些AI解释的比较有效性，我们在新冠疫情（研究1于Prolific）和政治领域（研究2于MTurk）开展了两项在线众包实验。我们的结果表明，AI解释在一般情况下都能有效帮助用户检测误information，效果受内容与社交解释之间吻合程度的显著影响。我们还发现，解释类型的呈现顺序—— Specifically，无论是内容解释还是社交解释先出现——都能影响检测准确率，在新冠疫情和政治领域之间存在差异。本工作为更有效的AI解释设计做出贡献，深化了对不同解释类型及其组合如何影响误information检测的理解。