人工智能与用户相互塑造的会计学：数学模型的作用
内容提要
本文探讨了基于神经网络的人工智能系统的仪表盘设计，强调用户建模和个性化服务的重要性。研究分析了用户在任务中的心理状态，并提出通过概率模型推断用户知识以提升交互性能。此外，文章讨论了人工智能在决策支持中的应用，倡导以人为中心的可解释性设计，以改善人机交互方式。
延伸解读
用户建模的演进与数据隐式化
文章指出用户建模正从显式资料收集转向隐式数据收集、多行为建模和图数据结构整合。这意味着系统能通过用户自然行为推断偏好，减少主动输入负担，但也带来隐私和伦理挑战。综述强调该趋势将推动更个性化、道德和有效的人工智能系统发展，并应用于假新闻检测、网络安全和个性化教育等领域。
心理状态与大型语言模型的个性化指导
研究分析了用户在任务执行中的心理状态，并探索大型语言模型解析用户个人资料以实现个性化指导的能力与挑战。这表明AI辅助系统需理解用户认知和情绪状态，才能提供及时、恰当的帮助。然而，LLM在解析个人资料时可能面临准确性和泛化性问题，需结合交互设计来改善推荐和操作系统体验。
概率用户模型提升交互式机器学习
文章提出一种通过概率用户模型推断用户知识的方法，以提高交互式机器学习性能并避免过度拟合。这种方法能动态适应用户知识水平，优化学习交互。同时，研究还利用代理模型规避计算瓶颈，使复杂行为模型能在线使用，为AI助手在菜单搜索等任务中的实时计算提供了可行性。
决策支持中的人机交互与可解释性
当前AI决策支持多关注技术进步，却忽视算法输出与人类期望的一致性。可解释AI倡导以人为中心的发展，但系统综述105篇文章发现，现有交互方式主要是简单合作模式，对真正交互功能支持较少。文章提出的交互模式分类系统有助于理解决策环境中的人机交互，促进交互设计的有意选择。
Q&A
人工智能系统的仪表盘设计应该包含哪些元素？
人工智能系统的仪表盘设计应包括系统模型和用户模型，以提高可用性和安全性。
用户建模方法有哪些发展趋势？
用户建模方法正向更复杂的个人资料建立转变，强调隐式数据收集和多行为建模。
如何通过概率模型推断用户知识？
通过概率用户模型，可以推断用户的知识，从而提高交互式机器学习的性能。
人工智能在决策支持系统中的应用面临哪些挑战？
人工智能在决策支持系统中的应用面临算法输出与人类期望一致性的问题。
大型语言模型如何改善用户体验？
大型语言模型结合机器学习和交互设计，能够改善推荐系统和操作系统的用户体验。
以人为中心的可解释性设计有什么重要性？
以人为中心的可解释性设计能够改善人机交互方式，确保算法输出符合人类期望。
