跨學科差距：將可解釋 AI 的抽象需求轉化為具體任務
arXiv - Computers and SocietyHanwei Zhang, Jingwen Wang, Holger Hermanns
提出三軸分類法與三步框架，將XAI抽象需求拆解為可測試任務，促進跨學科協作。
AI 幫你先抓重點
AI 重點 1
將抽象XAI需求拆解為可測試任務，可促進跨學科研究者共同評估與比較。
滑鼠懸停看 AI 判斷理由
此洞察將模糊的期望轉化為具體、可基準化的單元，解決研究者間的碎片化問題，並為實證研究提供統一評估標準。
AI 重點 2
三軸分類法揭示需求之層級依賴，幫助研究者聚焦最具影響力的基礎屬性。
滑鼠懸停看 AI 判斷理由
了解依賴結構使研究者能優先優化忠實度、魯棒性等基礎特性，從而提升高層目標（如信任、可問責）的實現效率。
核心研究發現
- 1
研究指出，XAI 的多項期望（如公平、可問責）並非獨立，而是依賴於更基礎屬性（如忠實度、魯棒性）的層級結構。
- 2
提出三軸分類法：目標、功能角色與說明模式，為將抽象需求映射至具體XAI任務提供結構化框架。
- 3
設計三步流程：澄清需求、識別依賴、評估可行性，將高層目標拆解為可測試、可基準化的任務單元。
- 4
通過兩個說明案例，證明該分類法與流程能系統化設計與評估XAI任務，並明確界定設計空間。
對教育工作者的啟發
對教育科技工作者而言，先將學習系統的可解釋需求拆解為具體任務，可透過三軸分類法確定目標、功能與說明模式，進而設計可測試的解釋介面。此流程能協助教師評估模型解釋的可信度與公平性，並在課程設計中嵌入可驗證的解釋指標，提升學生對 AI 產出的理解與批判性思維。
原始文獻資訊
- 英文標題：
- Bridging the Disciplinary Gap in Explainable AI: From Abstract Desiderata to Concrete Tasks
- 作者：
- Hanwei Zhang, Jingwen Wang, Holger Hermanns
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。