基于LLM的人类中心可信解释的个人化增强现实交互——PILAR

人工智能（AI）驱动的增强现实（AR）系统正越来越多地融入日常生活，随之而来的挑战是需要在实时用户交互中提供可解释性。传统的可解释AI（XAI）方法通常依赖于基于特征或基于示例的解释，难以为日常AR用户提供动态、特定情境、个人化且以人类为中心的见解。这些方法通常针对不同的可解释性维度（例如何时、什么、如何）使用不同的解释技术，导致在无缝AR交互中呈现出不切实际和片段化的体验。为此，我们提出了PILAR框架，利用预训练的大语言模型（LLM）生成情境感知、个人化的解释，为实时AI驱动的AR系统提供更直观且可信的体验。与传统方法不同，PILAR采用统一的LLM方法，动态地根据用户需求调整解释，促进更大的信任和参与度。我们在一个真实的AR应用中实现了PILAR概念（例如基于用户饮食偏好提供个性化食谱推荐），该原型开源并集成了实时目标检测、食谱推荐以及基于LLM的个性化解释。我们通过对16名参与者进行用户研究，评估了PILAR的效果，比较了基于LLM的解释界面与传统模板驱动的界面。结果表明，基于LLM的界面显著提升了用户性能和体验，参与者完成任务速度提高了40%，并报告更高的满意度、易用性和感知透明度。