arXiv · Human-Computer Interaction· Bryce McLaughlin, Jann Spiess
· 22 小时前
设计算法推荐以实现人机互补
Designing Algorithmic Recommendations to Achieve Human-AI Complementarity
预印本 · 尚未经过同行评审
AI 导读
提出用因果推断的潜在结果框架建模推荐对人二元决策的影响,并据此设计最大化人机互补的推荐算法。
摘要 · AI 翻译
算法经常辅助而非取代人类决策者。然而,算法的设计与分析往往侧重于预测结果,并未明确建模其对人类决策的影响。鉴于实证证据表明算法辅助一再未能改善人类决策,算法辅助的设计与角色之间的这种脱节尤其令人担忧。在本文中,我们形式化了推荐算法的设计,这些算法辅助人类决策者,而不对推荐如何影响决策做出限制性的事前假设。我们构建了一个算法设计问题,利用因果推断中的潜在结果框架来建模推荐对人类决策者二元处理选择的影响。在该模型中,我们将算法推荐与工具变量联系起来。利用这一联系,我们引入了一个单调性假设,该假设引出了对人类对算法反应的直观分类。在该假设下,我们可以用人类对算法的依从性以及如果算法不发送推荐时他们会采取的主动决策来表达人类对算法推荐的反应。我们通过一个模拟招聘任务的在线实验展示了我们框架的实用性。我们认为,我们的方法能够解释实验中不同推荐算法的相对表现,并有助于设计实现人机互补的解决方案。最后,我们利用我们的方法推导出最大最小最优推荐算法,这些算法可以使用有限的训练数据通过机器学习实现。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Human-Computer Interaction · arxiv.org