本研究评估了“AI实验室”干预对本科生计算机科学课程中生成性人工智能使用的影响，结果表明该干预有效提升了学生对生成性人工智能的理解和应用意识，改善了他们在调试和作业中的使用模式，为负责任地整合生成性人工智能提供了实证依据。

通过建模概念间的依赖关系和引入分布参数化，提出了一种基于概念瓶颈模型的新方法，通过影响相关概念来提高干预效果。在合成表格和自然图像数据集上展示了其显著提高干预效果的经验证据，并通过对CLIP推导的概念进行检验来展示SCBMs的多功能性和可用性，减少了人工概念注释的需求。

本文研究算法决策在社会不平等下的影响，发现可能会错误地排除高成本候选群体，接受低成本候选群体。给予补贴的干预效果可能只提高算法决策者的效用，但损害所有候选群体的利益。

该文章介绍了一种在已训练但不可解释的神经网络上进行基于概念的干预的方法，并通过微调模型来改进干预效果和提高预测的校准性。实验结果显示，精调黑盒模型在干预效果上与概念瓶颈模型相媲美且性能更高。