衡量人機協作中語音翻譯系統的使用者心理模型
arXiv - Human-Computer InteractionHyoJung Han, Nishant Balepur, Jordan Boyd-Graber, Marine Carpuat
研究提出以跨語言問答作為新框架，探討使用者如何建立並演化對機器翻譯系統能力的心理模型。
AI 幫你先抓重點
AI 重點 1
心理模型的建立與「語言先備知識」及「練習」高度相關
滑鼠懸停看 AI 判斷理由
這說明了使用者並非被動接受 AI 輸出，而是透過與系統的互動進行認知調整。對於設計 AI 輔助學習工具的人來說，這意味著應鼓勵使用者進行反覆練習，並利用其既有知識來強化對 AI 錯誤的辨識能力。
AI 重點 2
提供透明度資訊（如逐字稿）是優化人機協作的關鍵
滑鼠懸停看 AI 判斷理由
這點強調了「黑箱」模型在教育或實務應用中的風險。透過提供中間過程（如逐字稿），可以降低使用者的認知負荷，並賦予他們更多校對與驗證的工具，從而提升人機協作的整體品質。
核心研究發現
- 1
使用者透過練習能建立更強的心理模型，特別是具備部分來源語言知識的使用者，能更有效地預測系統錯誤。
- 2
使用者在建立心理模型時，主要依賴於語音翻譯結果中的表面層次錯誤線索來判斷系統可靠性。
- 3
提供語音逐字稿（transcriptions）能顯著幫助使用者發展出更完善且精準的心理模型。
- 4
研究證實跨語言問答任務可作為衡量機器翻譯心理模型的有效下游任務，有助於理解人機協作模式。
對教育工作者的啟發
在設計 AI 語言學習或翻譯工具時，不應僅提供最終翻譯結果，應考慮提供「透明化資訊」（如逐字稿或翻譯過程），以幫助學習者建立正確的心理模型。此外，設計應鼓勵使用者進行「主動校對」而非「被動接受」，透過練習讓使用者學會辨識 AI 的潛在錯誤，這不僅能提升學習成效，也能強化使用者在人機協作環境中的批判性思考能力。
原始文獻資訊
- 英文標題：
- Measuring User's Mental Models of Speech Translation in Human-AI Collaboration
- 作者：
- HyoJung Han, Nishant Balepur, Jordan Boyd-Graber, Marine Carpuat
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。