Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems
整体是否超过部分之和？AI 解释对互补团队表现的影响
英文原题: Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance
核心结论
基于三个数据集的混合方法研究发现，AI 辅助能带来表现提升，但解释并未进一步提高人机互补表现；解释反而会增加人们接受 AI 建议的概率，无论建议正确与否。
AI 生成的 HIE 评估研究设计
mixed method user study
title and abstract
研究发现
Mixed-method user studies across three datasets tested whether AI explanations help human–AI teams outperform either humans or AI alone. The studies observed complementary gains from AI assistance, but explanations did not increase those gains. Explanations instead made people more likely to accept AI recommendations whether they were correct or not, highlighting the difference between explainability and appropriately calibrated reliance.
原论文记录证据强度
证据优势
- 混合方法用户研究
- 覆盖三个数据集
- 区分建议接受度与建议正确性
局限性
- 任务领域有限
- 解释方式与界面未必代表新一代生成式 AI
这项研究不能证明什么
本记录不能证明结论适用于论文所述人群、任务、时间范围与方法之外的情境，也不应被解读为普遍因果结论。
HIE 解读
Tests whether explanations produce genuinely complementary team performance rather than indiscriminate reliance on AI advice.
AI 生成的 HIE 评估 · AI 评估置信度 88相关主题
- Human-AI Interaction
- Artificial Intelligence
- Social Intelligence
关联论断
- 限定
人机协作并不会稳定超过单独使用人类或 AI 中表现更好的一方；结果高度取决于任务与交互设计。
解释提高了人们接受 AI 建议的概率，却没有进一步提升互补团队表现。
- 科学证据强度
- 87
- AI 关系判断置信度
- 88
- 来源 / 审阅级别
- 已审阅摘要
- 人类复核
- 尚无人类复核
- 溯源信息
- codex-research-curation · initial-curation-v1
原始来源
DOI 10.1145/3411764.3445717 ↗