德国高校团队提出MIND-X可解释AI设计方法

针对可解释人工智能（XAI）常因过度追求模型保真度而忽视用户可理解性，导致解释虽具备技术透明度却无法辅助人类认知的问题，德国锡根大学与波恩莱茵应用科学大学的研究团队提出了名为 MIND-X（Mental-model INtegrated Design for eXplainability）的人本中心设计方法。该方法旨在将 AI 生成的解释与用户的心智模型、常识概念及判断启发式规则相对齐，以解决传统 XAI 在“透明度”与“可理解性”之间的失衡。 研究团队以虚假评论检测为具体案例，通过三个阶段推进该框架的构建与验证。首先，开展了一项定性研究（样本量 n=10），深入探究人们评估评论可信度的实际过程，并据此提炼出一套具有行动指导意义的感知线索分类体系。其次，依据这些线索制定了一系列设计原则，将感知线索与特定的解释策略相连接，并利用大语言模型（LLMs）生成适应性强、采用自然语言的解释内容。最后，进行了一项定量评估（样本量 n=166），对比了 MIND-X 生成的解释与在可解释文本分类中广泛使用的 token 级透明度方法。结果显示，在可理解性、满意度、感知信任度、说服力以及决策支持方面，契合心智模型的解释展现出显著优势。 值得注意的是，该研究并未宣称 MIND-X 在所有场景下具有普遍优越性，而是强调通过将解释植根于用户的日常推理实践中，能够产生更具可理解性和情境敏感性的说明。这一发现推动了人本中心解释设计超越单纯的“透明度修饰”，证明了以心智模型为导向的设计流程能够在以用户为中心的解释任务中提升可理解性并支持问责制。对于从事 AI 交互设计与用户体验研究的从业者而言，MIND-X 提供了一套从用户认知出发重构 AI 解释逻辑的系统化路径，特别是在需要建立用户信任与辅助复杂决策的场景中具有参考价值。