加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 对于先验知识较少的用户，解释对学习结果产生积极影响，这一效应完全由感知到的信息量中介。
- 对于具有高先验知识的用户，解释直接改善任务绩效。
- 对于低先验知识的用户，解释对任务绩效的积极影响完全由信息量中介。
实践启示
CIO / IT 高管
Initiate a cross-functional working group involving IT, product development, and user experience teams to prioritize the integration of AI-driven feedback systems that include clear, context-specific explanations, focusing initially on applications with less experienced user bases.
IT 经理
Review the current AI feedback mechanisms within your team's systems and identify 1-2 pilot opportunities to implement or enhance explanations, specifically targeting areas where user error or confusion is frequently observed, and gather baseline performance data.
商业战略师
Task your team with identifying key business processes or customer-facing interactions where AI feedback is being used or considered, and assess the potential impact of explanation-enhanced AI on user adoption, efficiency, and overall customer satisfaction, particularly for novice users.
研究人员
Design a pilot study protocol to specifically investigate how the *type* and *level of detail* of explanations provided by AI feedback influence perceived informativeness and learning outcomes for users with varying levels of domain expertise in a controlled environment.
政策制定者
Begin drafting guidelines or a framework for the ethical deployment of AI systems that mandate, where feasible, the inclusion of explanations for AI-generated feedback, prioritizing sectors with high user impact and potential for knowledge gaps, such as education and public services.
摘要
本研究基于反馈理论，探讨了随AI反馈提供的解释是否、如何以及何时能够提升人类的学习与任务绩效。该研究模型通过一项包含573名参与者完成图像位置匹配任务的随机被试间在线实验进行了评估，并辅以与AI专家和用户的焦点小组讨论。
核心问题
尽管支持人类学习是可解释人工智能（XAI）的主要目标，但对于解释实际上如何促进从AI反馈中学习的理解仍然有限。具体而言，现有研究缺乏对潜在理论机制以及用户的先验知识如何影响学习和绩效结果的清晰认识。
文稿
Expert: 谢谢 Anna，很高兴能来到节目中和大家分享。
Host: Alex，现在许多企业都在大力引入可解释人工智能，也就是 XAI，希望通过 AI 的反馈来辅导员工、提升业务绩效。但是这项研究指出，我们实际上对“解释”到底如何促成“学习”还知之甚少，对吧？
Expert: 没错，这正是这项研究的核心痛点。过去大家普遍认为，只要 AI 给出解释，用户就能自然而然地学到东西。但实际上，现有的应用往往忽略了背后的理论机制，尤其是忽略了一个非常关键的因素——那就是用户自身的“先验知识”，也就是他们原本具备的经验和专业背景。如果不知道不同经验的员工如何处理 AI 的解释，企业就很难真正释放 AI 工具的潜力。
Host: 那么为了弄清楚这一点，这项研究采用了怎样的研究方法呢？
Expert: 研究团队进行了一项设计非常严谨的随机在线实验，共有 573 名参与者完成了一项图像位置匹配任务。在实验中，参与者会接收到不同形式的 AI 反馈与解释。除了量化实验，研究团队还与 AI 专家以及真实用户开展了焦点小组讨论，将数据分析与真实用户的定性反馈结合起来，从而全面评估解释对学习和绩效的影响。
Host: 听起来非常全面！那么这项研究得出了哪些关键发现呢？
Expert: 研究结果非常有趣，而且明确地根据用户的背景知识呈现出两种不同的路径。首先，对于“先验知识较少”的新手用户，AI 提供的解释确实对他们的学习结果产生了积极影响。但这里有一个非常关键的中介因素——那就是“感知到的信息量”。也就是说，只有当新手认为 AI 的解释提供了足够有价值、有实质内容的信息时，他们才能真正学到知识，并最终提升任务绩效。
Host: 这非常关键！对于新手来说，单纯给一个解释还不够，解释必须足够丰富且有针对性，让他们觉得有信息量，才能转化为学习成果。那对于那些原本就有经验的高先验知识用户呢？
Expert: 对于高先验知识的专业人士，情况就大不相同了。研究发现，AI 的解释不需要经过复杂的“学习感官”转化，而是能够**直接**改善他们的任务绩效。因为专家已经具备了知识框架，AI 的解释更像是一种即时验证或决策辅助，让他们能更快、更准地完成任务。
Host: 这个对比太清晰了。那么将这些发现落地到商业场景中，对企业管理者和技术决策者来说有什么重要启示呢？
Expert: 这为企业的 AI 落地和员工培训提供了非常具体的指导策略。第一，企业在设计或采购 AI 辅助系统时，绝不能采取“一刀切”的方法。对于新员工或缺乏经验的岗位，AI 系统需要提供详细、信息量充沛的解释，扮演“导师”的角色，帮助他们建立知识库。
Host: 那么对于资深员工呢？
Expert: 对于资深员工，AI 系统的解释应该更加精炼、直接，侧重于关键决策点的提示，而不是冗长的大道理。这样可以避免信息过载，直接帮他们提高执行效率。第二，企业在评估 AI 工具的投入产出比时，不能只看 AI 的算法准确率，更要评估员工对 AI 解释的“感知信息量”和接受度。
Host: 也就是说，只有将 AI 的解释方式与员工的经验水平进行精准匹配，企业才能真正实现人机协同的效益最大化。
Expert: 完全正确。这就是这项研究给商业世界带来的核心价值。
Host: 总结得太棒了！非常感谢 Alex 今天的深度解读，让我们对 AI 反馈与员工学习的关系有了全新的认识。
Expert: 谢谢 Anna，很开心能与大家交流。
Host: 感谢大家的收听，这里是《A.I.S. Insights — powered by Living Knowledge》。我们下期节目再见！
Explainable Artificial Intelligence, XAI, AI feedback, learning outcome, informativeness, feedback theory