重新思考 AI 推荐系统中的用户赋能：透明可控接口的创新设计

AI 驱动的推荐系统常被视为个人化黑箱，限制了用户理解其数据如何塑造内容（信息不对称）或以有意义方式影响系统行为（权力不对称）的能力。本研究探讨了设计如何通过集成透明度与可操作控制来强化用户主动性。我们开发了一个原型，引入了新的界面功能，用于管理数据用途、发现多样化内容以及配置基于情境的推荐模式。针对 19 名参与者的 walkthrough 和访谈表明，这些功能帮助用户解读个人化信号，理解其行动如何影响结果，消除来自不希望推断的担忧到狭窄信息流（如滤泡）的问题，并建立对系统的信任。我们还识别了促进采用和意识的策略。总体而言，我们的发现重affirm 了用户希望主动影响个人化的愿望，并为设计以用户自主性和公平性为核心的推荐系统贡献了具体的界面机制和实证见解。