评估解释风格对人机依赖的影响

可解释人工智能（XAI）旨在通过提高复杂模型决策的可解释性来支持适当的人机依赖。尽管已有大量被提出的方法，但关于不同风格的 XAI 解释对人机依赖的影响仍存在相互矛盾的证据。要解释这些相互冲突的发现，需要理解影响适当和不适当人机依赖的不同解释风格的个体与组合特质，以及可解释性在此交互中的作用。在本研究中，我们通过一项包含 274 名参与者的两部分实验研究，比较了这些解释风格条件，调查了基于特征、基于示例以及两者结合的 XAI 方法对人机依赖的影响。我们的研究结果表明，基于特征和基于示例的解释风格之间存在超越可解释性的差异，这些差异在个体表现和任务复杂度的不同条件下影响了人机依赖模式。我们的工作强调了将解释适应于特定用户和情境的重要性，而非最大化广泛的可解释性。