跳到正文
arXiv cs.AI· Mario Truss, Marc Schmitt, Stefan Feuerriegel·· 4 小时前AI 评分26

多模态 LLM 生成的解释能否提升 XAI 可视化的感知理解与信任

Can AI Help Explain AI? Effects of Multimodal LLM-Generated Explanations on Perceived Understanding and Perceived Trust in XAI Visualizations

AI 导读

一项预注册的受试者内实验(N=128)覆盖 7 个决策场景和 5 种 XAI 方法,发现加入多模态 LLM 生成的文本解释后,用户感知理解与感知信任在五点量表上分别提升 0.35 和 0.26 分(均 p < .001)。增益在全部 7 个场景中均出现,局部与全局解释之间无差异,且在先前 XAI 接触最少的参与者中最大。中介分析显示,感知理解对感知信任存在间接效应。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:可解释人工智能(XAI)旨在使机器学习模型易于理解,但许多 XAI 可视化结果对最终用户而言仍难以解读。在此,我们评估了用多模态 LLM 生成的文本解释增强 XAI 输出是否能提升感知理解度和感知信任度。我们开展了一项预注册的被试内实验($N = 128$),涵盖七个决策场景和五种 XAI 方法,分别在有和没有 LLM 生成解释的条件下进行。这些解释使感知理解度和感知信任度在五点量表上分别提升了 0.35 分和 0.26 分(两者均 $p < .001$)。这一提升出现在全部七个场景中,在局部解释与全局解释之间没有差异,并且在先前 XAI 接触最少的参与者中提升最大。中介分析表明,感知理解度对感知信任度存在间接效应。这些结果表明,多模态 LLM 可以为专家受众之外的 XAI 提供有用的解释层。
主题: 人机交互(cs.HC);人工智能(cs.AI)
引用为: arXiv:2611.21638 [cs.HC]
  (或 arXiv:2611.21638v1 [cs.HC] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21638

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Mario Truss [查看电子邮件]
[v1] 2026年9月25日星期五 08:11:14 UTC(7,029 KB)

来源:arXiv cs.AI · arxiv.org