为人工智能系统设计负责任的信任：一种传播视角

当前关于“对AI的信任”的文献与公共讨论往往聚焦于可信AI背后的原则，而对人们如何建立信任关注不足。鉴于AI系统在其可信程度上的差异，两个开放性问题凸显出来：应如何负责任地传达AI的可信性，以确保不同用户做出恰当且公平的信任判断；以及我们如何保护用户免受骗取其信任的欺骗性尝试？我们借鉴传播理论以及关于技术信任的文献，提出了一个称为MATCH的概念模型，该模型描述了AI系统中的可信性如何通过可信性线索得以传达，以及人们如何处理这些线索以做出信任判断。除AI生成内容外，我们强调透明性与交互作为AI系统的可供性，向用户呈现了广泛的可信性线索。通过揭示用户做出信任判断的多种认知过程及其潜在局限，我们敦促技术创造者为目标用户选择可靠的可信性线索时做出审慎决策，并作为一个行业对该领域加以规范以防范恶意使用。为实现这些目标，我们定义了 warranted 可信性线索与 expensive 可信性线索的概念，并提出了一份需求清单以帮助技术创造者识别适用的线索。我们给出一个假设用例来说明从业者如何运用MATCH负责任地设计AI系统，并讨论了旨在促进AI中负责任信任的研究与行业努力的未来方向。