基于任务负载的决策 referrals 用于人机团队中的二元分类

我们考虑人机团队执行二元分类任务的最优决策 referrals 的问题。该自动化系统包括预训练的分类器，观察一批独立任务的数据，分析后可将子集任务 referrals 给人类操作员进行新的最终分析。我们的关键建模假设是人类性能随任务负载而退化。我们将选择哪些任务进行 referrals 建模为随机优化问题，并指出对于给定任务负载，单纯地依据观察数据，按最小化预期成本降益排序的任务进行 referrals 是最优的。这提供了一种排名方案和决定最优任务集合进行 referrals 的策略。我们通过包含人类参与者的实验研究评估了该策略与基准方法。使用雷达屏幕模拟器，参与者在时间限制下进行二元目标分类决策。他们遵循给定的决策规则，但仍在时间压力下容易出错。初始实验估计了人类绩效模型参数，而第二实验比较了两种 referrals 策略。结果显示，提出的最优 referrals 策略在统计上显著优于基于自动化和人类绩效模型但不基于观察数据确定 referrals 的盲目策略。