構成性與修正性：人類在 AI 系統執行時的因果分類
arXiv - Computers and SocietyKevin Baum, Johann Laux
提出以因果結構為基礎的 HITL 與 HOTL 分類，並細化 HOTL 的時間模式與人機整合方式，為 AI 系統治理提供清晰框架。
AI 幫你先抓重點
AI 重點 1
區分 HITL 與 HOTL 的構成性與修正性因果關係
滑鼠懸停看 AI 判斷理由
此區分消除術語混淆，為跨領域合作與法規制定提供明確框架，提升 AI 系統的可解釋性與責任追蹤。
AI 重點 2
HOTL 的同步、非同步與預期三種時間模式及其干預能力
滑鼠懸停看 AI 判斷理由
了解時間模式可幫助設計者選擇合適的人機介入時機，確保決策安全與效能，對教育 AI 方案尤為關鍵。
核心研究發現
- 1
將 HITL 與 HOTL 的因果關係區分為構成性與修正性，澄清人機互動的本質。
- 2
HITL 為構成性角色，必須參與決策輸出；若缺失，系統無法產生決策。
- 3
HOTL 為修正性角色，位於主要因果鏈之外，可預防或修改輸出。
- 4
HOTL 內部又分同步、非同步與預期三種時間模式，決定人類干預的時機與方式。
- 5
人機認知整合分為互補與混合兩種，形成四種結構配置，影響決策品質與透明度。
對教育工作者的啟發
在教育 AI 設計中，先明確界定人類參與是構成性還是修正性，避免功能重疊與責任模糊；選擇合適的 HOTL 時間模式（同步可即時修正，非同步適合批次審核，預期可預測風險），並決定人機整合方式（互補提升專業判斷，混合則融合人機共創），以確保決策透明、可追蹤且符合法規。此框架亦可作為評估工具，協助教育機構檢視 AI 系統的治理成熟度與風險管理。
原始文獻資訊
- 英文標題：
- Constitutive vs. Corrective: A Causal Taxonomy of Human Runtime Involvement in AI Systems
- 作者：
- Kevin Baum, Johann Laux
- 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。