算法透明度对用户体验和生理反应的影响
算法透明度对用户体验和生理反应的影响
学术背景
随着情感计算（Affective Computing）技术的快速发展，情感感知任务适应系统（Affect-aware Task Adaptation）逐渐成为研究热点。这类系统通过多种测量手段（如生理信号、面部表情等）识别用户的心理状态，并据此调整计算机任务，以优化用户体验。例如，系统可以根据用户的情绪动态调整游戏难度，或根据用户的认知负荷调整任务复杂性。尽管已有研究表明，提高心理状态识别和任务适应的准确性可以显著改善用户体验，但算法透明度（Algorithmic Transparency）对用户体验的影响尚未得到充分研究。算法透明度指的是用户对计算机决策过程的理解程度。高透明度可能使用户更容忍系统的错误，甚至尝试通过调整自身行为来补偿系统的系统性错误。然而，这一理论尚未在情感计算领域得到实验验证。
为了填补这一研究空白，来自University of Cincinnati和University of Wyoming的研究团队设计了一项研究，旨在探索算法透明度对用户体验和生理反应的影响。该研究不仅关注用户的主观体验（如兴趣、压力和感知能力），还通过生理指标（如呼吸频率、皮肤电导和心率）评估用户的客观反应。
论文来源
该研究由Mohammad Sohorab Hossain、Joshua D. Clapp和Vesna D. Novak共同完成，并于2025年发表在IEEE Transactions on Affective Computing期刊上。研究得到了美国国家科学基金会（National Science Foundation）的资助。
研究流程与结果
1. 研究设计
研究团队开发了一个情感感知任务适应系统，并设置了四种算法透明度级别：无透明度（None）、低透明度（Low）、中透明度（Medium）和高透明度（High）。研究共招募了93名University of Cincinnati的学生和教职员工参与实验。参与者被随机分配到低、中、高透明度组，每组31人。
实验分为两个阶段： - 第一阶段：所有参与者首先在无透明度的条件下进行16分钟的任务适应。 - 第二阶段：参与者分别体验低、中或高透明度条件下的任务适应，持续16分钟。
2. 任务与透明度设计
研究采用了OpenMATB（一个基于NASA多属性任务电池的开源实现）作为实验任务。任务包括三个子任务：系统监控、跟踪和通信。任务难度分为10个级别，系统根据用户的生理反应（呼吸频率）动态调整难度。然而，为了控制实验条件，系统实际上并未根据生理信号进行适应，而是按照预设的规则调整难度，以模拟66.7%的适应准确性。
四种透明度级别的设计如下： - 无透明度：用户完全不了解系统如何调整难度。 - 低透明度：系统显示用户的难度调整请求和实际调整结果。 - 中透明度：系统不仅显示调整结果，还解释调整原因（如“呼吸频率低，因此增加难度”）。 - 高透明度：系统提供详细的调整原因和呼吸频率的具体数值范围。
3. 数据收集与分析
在每个阶段结束后，参与者填写了内在动机量表（Intrinsic Motivation Inventory, IMI）和NASA任务负荷指数（Task Load Index, TLX），以评估其主观体验。此外，研究团队还记录了参与者的生理数据，包括呼吸频率、皮肤电导和心率。
数据分析采用混合3（透明度组）×2（试验阶段）方差分析（ANOVA），以评估透明度对用户体验和生理反应的影响。
4. 主要结果
主观体验
- 兴趣/享受和感知能力在中等和高透明度组显著高于低透明度组。这表明，提供算法透明度信息可以显著提升用户的主观体验。
- NASA TLX评分和努力/重要性在不同透明度组之间无显著差异，表明透明度对任务负荷感知的影响有限。
生理反应
- 多个生理指标（如呼吸频率、心率）在第二阶段显著降低，这可能是由于用户对任务的熟悉程度增加。
- 透明度水平对生理反应的长期影响不显著，表明透明度对用户整体心理状态的贡献相对较小。
呼吸反应与错误调整
研究发现，当系统错误调整难度时，高透明度组的呼吸频率变化显著大于低透明度组。这可能表明，用户在了解系统错误后，会尝试通过调整呼吸来影响系统决策。
结论与意义
研究表明，算法透明度可以显著改善用户的主观体验，特别是在兴趣/享受和感知能力方面。尽管透明度对生理反应的长期影响有限，但它可能在特定情境下（如系统错误时）引发用户的主动补偿行为。这一发现为情感计算系统的设计提供了重要启示：通过提供简单的透明度信息，开发者可以显著提升用户体验，而无需对硬件或软件进行大规模改进。
研究亮点
- 填补研究空白：首次系统性地研究了算法透明度对情感感知任务适应系统用户体验的影响。
- 多维度评估：结合主观体验和生理反应数据，全面评估了透明度的影响。
- 实际应用价值：研究结果表明，提供透明度信息是一种低成本、高效益的设计策略，可广泛应用于教育游戏、自适应自动化等领域。
未来研究方向
研究团队建议未来研究可以进一步优化实验设计，例如： - 在每阶段结束后立即收集用户评分，以减少回忆偏差。 - 设计更具激励性的实验场景，使用户更有动力主动补偿系统错误。 - 增加任务难度调整的频率和可预测性，以便用户更好地识别和补偿系统错误。
这项研究为情感计算领域的算法透明度研究奠定了基础，并为未来的系统设计提供了重要参考。