Incentive-Tuning：理解与设计人机决策实证研究的激励机制
人机交互
2026-01-22 v1 人工智能
计算机科学与博弈论
信息检索
摘要
AI 彻底改变了各个领域的决策制定。然而，在涉及高风险的决策中，人类判断仍然至关重要。这推动了对人类与 AI 系统之间协作决策的探索，旨在发挥两者的优势。为了探索这种动态，研究人员开展实证研究，调查人类如何利用 AI 辅助进行决策以及这种协作如何影响结果。开展这些研究的一个关键方面是参与者的角色，他们通常通过众包平台招募。这些研究的有效性取决于参与者的行为，因此可能影响这些行为的有效激励是设计与执行这些研究的关键部分。在本工作中，我们旨在探讨开展人机决策实证研究时激励机制设计的关键作用，重点关注理解、设计和记录激励方案。通过对现有研究的主题综述，我们探索了人机决策实证研究中与激励设计相关的当前实践、挑战和机遇。我们识别出了反复出现的模式或主题，例如激励方案的组成部分是什么、研究人员如何操纵激励方案，以及它们对研究结果可能产生的影响。基于所获得的理解，我们整理了一套指导原则以帮助研究人员为其研究设计有效的激励方案，称为 Incentive-Tuning 框架，概述了研究人员如何开展、反思和记录激励设计过程。通过倡导一种标准化且灵活的激励设计方法，并贡献有价值的见解与实用工具，我们希望为人机决策领域更可靠、更具泛化性的知识铺平道路。
引用
@article{arxiv.2601.15064,
title = {Incentive-Tuning: Understanding and Designing Incentives for Empirical Human-AI Decision-Making Studies},
author = {Simran Kaur and Sara Salimzadeh and Ujwal Gadiraju},
journal= {arXiv preprint arXiv:2601.15064},
year = {2026}
}