ترجمه فارسی مقاله الگوریتم، متخصص یا هر دو؟ ارزیابی نقش روش‌های انتخاب ویژگی بر ترجیحات و اعتماد کاربر

چکیده

The integration of users and experts in machine learning is a widely studied topic in artificial intelligence literature. Similarly, human-computer interaction research extensively explores the factors that influence the acceptance of AI as a decision support system. In this experimental study, we investigate users’ preferences regarding the integration of experts in the development of such systems and how this affects their reliance on these systems. Specifically, we focus on the process of feature selection — an element that is gaining importance due to the growing demand for transparency in machine learning models. We differentiate between three feature selection methods: algorithm-based, expert-based, and a combined approach. In the first treatment, we analyze users’ preferences for these methods. In the second treatment, we randomly assign users to one of the three methods and analyze whether the method affects advice reliance. Users prefer the combined method, followed by the expert-based and algorithm-based methods. However, the users in the second treatment rely equally on all methods. Thus, we find a remarkable difference between stated preferences and actual usage. Moreover, allowing the users to choose their preferred method had no effect, and the preferences and the extent of reliance were domain-specific. The findings underscore the importance of understanding cognitive processes in AI-supported decisions and the need for behavioral experiments in human-AI interactions.

چکیده به فارسی (ترجمه ماشینی)

ادغام کاربران و متخصصان در یادگیری ماشین موضوعی است که به طور گسترده مورد مطالعه در ادبیات هوش مصنوعی قرار گرفته است.به طور مشابه ، تحقیقات تعامل انسان و رایانه به طور گسترده ای از عواملی که بر پذیرش AI به عنوان یک سیستم پشتیبانی تصمیم گیری تأثیر می گذارد ، بررسی می کند.در این مطالعه تجربی ، ترجیحات کاربران را در مورد ادغام متخصصان در توسعه چنین سیستم ها و چگونگی تأثیر این امر بر اعتماد آنها به این سیستم ها بررسی می کنیم.به طور خاص ، ما بر روی فرایند انتخاب ویژگی تمرکز می کنیم – عنصری که به دلیل افزایش تقاضا برای شفافیت در مدل های یادگیری ماشین ، اهمیت می یابد.ما بین سه روش انتخاب ویژگی تمایز قائل می شویم: یک رویکرد مبتنی بر الگوریتم ، مبتنی بر متخصص و یک روش ترکیبی.در اولین درمان ، ترجیحات کاربران را برای این روشها تجزیه و تحلیل می کنیم.در درمان دوم ، ما به طور تصادفی کاربران را به یکی از سه روش اختصاص می دهیم و تجزیه و تحلیل می کنیم که آیا این روش بر اعتماد به نفس تأثیر می گذارد.کاربران روش ترکیبی را ترجیح می دهند و به دنبال آن روشهای مبتنی بر متخصص و الگوریتم.با این حال ، کاربران در درمان دوم به طور مساوی به همه روش ها متکی هستند.بنابراین ، ما تفاوت قابل توجهی بین ترجیحات بیان شده و استفاده واقعی مشاهده می کنیم.علاوه بر این ، به کاربران اجازه می دهد روش مورد نظر خود را انتخاب کنند ، هیچ تاثیری نداشت و ترجیحات و میزان اعتماد به نفس خاص دامنه بود.این یافته ها بر اهمیت درک فرآیندهای شناختی در تصمیمات پشتیبانی شده توسط هوش مصنوعی و نیاز به آزمایش های رفتاری در تعامل انسان و آه تأکید می کند.