[论文解读] A Systematic Review on Fostering Appropriate Trust in Human-AI Interaction

Siddharth Mehrotra, Chadha Degachi+3 more|arXiv (Cornell University)|Nov 8, 2023

Explainable Artificial Intelligence (XAI)被引用 7

一句话总结

本篇系统性综述通过分析定义、测量方法、信任建立策略及任务情境，整合了当前关于在人机交互中培养适当信任的研究。研究提出了一种信念、意图与行为（BIA）映射，以澄清概念上的模糊性，并识别出关键挑战、趋势与研究空白，为设计可信赖的AI系统提供了可操作的建议。

ABSTRACT

Appropriate Trust in Artificial Intelligence (AI) systems has rapidly become an important area of focus for both researchers and practitioners. Various approaches have been used to achieve it, such as confidence scores, explanations, trustworthiness cues, or uncertainty communication. However, a comprehensive understanding of the field is lacking due to the diversity of perspectives arising from various backgrounds that influence it and the lack of a single definition for appropriate trust. To investigate this topic, this paper presents a systematic review to identify current practices in building appropriate trust, different ways to measure it, types of tasks used, and potential challenges associated with it. We also propose a Belief, Intentions, and Actions (BIA) mapping to study commonalities and differences in the concepts related to appropriate trust by (a) describing the existing disagreements on defining appropriate trust, and (b) providing an overview of the concepts and definitions related to appropriate trust in AI from the existing literature. Finally, the challenges identified in studying appropriate trust are discussed, and observations are summarized as current trends, potential gaps, and research opportunities for future work. Overall, the paper provides insights into the complex concept of appropriate trust in human-AI interaction and presents research opportunities to advance our understanding on this topic.

研究动机与目标

• 为解决人机交互中适当信任定义缺乏共识的问题，该问题阻碍了有效系统设计。
• 识别并分类当前用于促进适当信任的方法，例如透明度、解释说明和信心提示。
• 分析实证研究中适当信任的测量方式，包括感知信任、行为表现信任及混合方法。
• 考察任务设计与领域情境在塑造人机交互中信任结果方面的作用。
• 突出研究空白与挑战，如信任不足、指南采纳率低以及未探索的信任对象，为未来研究提供方向。

提出的方法

• 依据PRISMA指南，对同行评审的人机交互中适当信任研究开展系统性文献综述。
• 采用多阶段筛选流程，根据纳入/排除标准识别相关研究，重点关注实证与理论性工作。
• 开发信念、意图与行为（BIA）映射框架，用于比较和对照信任、合理信任、正当信任及适当依赖的定义。
• 将信任建立方法划分为四类主要类型：透明度、基于感知的提示、指南以及信任连续体建模。
• 分析各研究中的测量技术，区分感知信任（自我报告）、行为表现信任（行为动作）及混合方法。
• 将任务类型与领域（如医疗、金融、自动驾驶系统）进行映射，以评估其对信任结果的影响。

(a) A time-series chart shows the number of studies from 1987 to 2022 2 2 2 Our search string for this chart was: ( ”appropriate trust” OR ”calibrated trust” OR ”trust calibration” OR ”over trust” OR ”under trust” OR ”over-trust” OR ”under-trust” ) AND PUBYEAR ¿ 1979 AND ( LIMIT-TO ( LANGUAGE , ”Eng

实验结果

研究问题

• RQ1 在不同研究领域中，人机交互中适当信任的主导定义与概念化方式是什么？
• RQ2 哪些方法最常用于促进适当信任，且其在将用户信任与系统性能校准方面效果如何？
• RQ3 实证研究中适当信任如何被测量，感知信任、行为表现信任及混合方法各自的优缺点是什么？
• RQ4 任务设计与领域情境在多大程度上影响AI系统中适当信任的发展？
• RQ5 研究适当信任时的关键挑战与研究空白是什么，特别是关于信任不足、指南采纳率低以及AI开发者角色的问题？

主要发现

• 45%的用户研究聚焦于检测过度信任，而对AI系统中信任不足的研究则显著不足，表明存在关键研究空白。
• 仅有10%的研究遵循了既定的信任校准指南，尽管已有多个学术与工业框架可用于负责任AI信任设计。
• 透明度、感知提示（如警报、警告）以及不确定性沟通是最常用于促进适当信任的方法。
• BIA映射揭示了‘适当信任’、‘合理信任’与‘适当依赖’等术语之间的概念不一致，凸显了明确定义的必要性。
• 任务目标显著影响信任结果：以公平性为目标的研究产生了与以准确性或可靠性为目标的研究不同的信任模式。
• 信任对象——特别是对AI开发者与制造商的信任——在很大程度上仍属未探索领域，尽管其可能对用户认知与系统问责制产生重大影响。

(b) Some key papers during the development process of appropriate trust research.