本研究探讨了高风险决策中的认知偏差，特别是在大学招生评估中。通过引入基于BGM-HAN的层次注意力网络和SAR代理工作流，提出了一种AI增强的决策流程，显著提高了决策准确性，具有实际应用潜力。

该研究探讨了自我解释人工智能（S-XAI）在医学图像分析中的应用，强调其在高风险决策中的重要性。S-XAI通过将可解释性嵌入深度学习模型训练中，提升了AI系统的可信性与可靠性。文献综述分析了200余篇相关研究，展望了不同成像模式与临床应用的未来方向。

本文全面概述了计算机视觉中的可解释人工智能（XAI）方法，探讨了特征归因的挑战与进展，包括正式特征归因（FFA）和校准解释（CE）等新方法。研究表明，基于高斯过程回归的特征归因方法在准确性和计算成本上优于现有近似方法，强调了解释模型在高风险决策中的重要性及应用。

本文研究了概率预测模型的校准方法，提出了直方图分箱、概率校准树和简化校准方法等技术，以提高分类器的准确性和可靠性。研究表明，这些方法在不同场景下有效降低校准误差，尤其适用于高风险决策中的概率估计。

本文探讨了机器学习在高风险决策中的应用，提出了混合决策系统的分类法，强调人机交互的挑战与伦理困境。研究表明，人工智能与人类在决策中具有互补技能，需建立以人为中心的AI设计，以促进人机协作与理解。

本文探讨了人类中心的大型语言模型（LLMs）评估，提出心理模型、用例价值和认知参与三个研究重点。研究表明，AI与人类在决策中具有互补技能，强调交互式人工智能决策辅助系统的设计能提高决策准确性和可靠性。同时，研究揭示了LLMs在写作和法律领域的应用及其局限性，强调人类在高风险决策中的重要性。