對話式可解釋人工智慧能提升使用者效能嗎？實驗研究
arXiv - Human-Computer InteractionSven Kruschel, Julian Rosenberger, Lasse Bohlen, Mathias Kraus, Patrick Zschech
實驗顯示使用者在兩種解釋協助下均能超越模型，但對話式協助並未顯著優於問答式，且參與者互動程度有限。
AI 幫你先抓重點
AI 重點 1
對話式協助並未顯著提升效能，提示介面設計需更精緻以發揮對話優勢。
滑鼠懸停看 AI 判斷理由
雖對話式XAI被視為能更自然地傳遞解釋，但實驗證明其效能與傳統問答式相當，說明單純加入對話並非萬能，設計者須聚焦於對話內容的深度與互動性，以真正提升使用者表現。
AI 重點 2
使用者能透過辨識模型系統性錯誤而超越模型，凸顯人機協作潛力。
滑鼠懸停看 AI 判斷理由
此發現表明即使模型已具備可解釋性，仍有空間讓人類利用解釋來調整預測，提示教育科技設計者可將此機制嵌入學習評估或決策支援系統，促進學生主動檢視與修正模型輸出。
核心研究發現
- 1
參與者（N=42）在對話式與問答式兩種協助下均顯著超越基礎模型的預測準確度。
- 2
兩種協助方式在提升使用者預測準確度、模型理解與錯誤辨識方面未呈現統計上顯著差異。
- 3
實驗中參與者的互動參與度普遍偏低，顯示對話介面尚未充分激發使用者參與。
對教育工作者的啟發
1. 在設計可解釋AI介面時，單純加入對話功能並不保證效能提升，需結合具體的互動策略（如即時回饋、情境化提示）以提高使用者參與度。2. 透過讓使用者辨識並修正模型的系統性錯誤，可使人機協作超越單一模型表現，建議在學習評估或決策支援工具中加入錯誤辨識與修正機制。3. 針對低互動度問題，可採用遊戲化元素、進度追蹤或社群互動等方式提升使用者投入，進而提升整體效能。4. 在實際部署前，先進行小規模預試以驗證介面設計與互動策略的有效性，避免大規模實驗失敗。
原始文獻資訊
- 英文標題：
- Can Conversational XAI Improve User Performance? An Experimental Study
- 作者：
- Sven Kruschel, Julian Rosenberger, Lasse Bohlen, Mathias Kraus, Patrick Zschech
- 來源：
- arXiv - Human-Computer Interaction
- 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。