立场论文：人本可解释 AI 应引入信息寻求心理学

arXiv 上发表的一篇立场论文（arXiv:2608.27464v1）提出，人本可解释 AI（Human-Centered Explainable AI, HCXAI）不应只关注「如何让解释可被获取」，还应关注用户「是否愿意去获取解释」。论文主张将信息寻求心理学的洞见引入 XAI 设计，围绕用户主动寻求解释的动机来重新思考解释机制。

核心框架：三种预期效用

论文借鉴 Sharot 与 Sunstein 提出的信息寻求动机框架，将用户对解释的预期效用拆解为三种类型：

• 工具性效用（instrumental）：解释能否帮助我做出更好的决策或行动？
• 享乐性效用（hedonic）：解释能否让我在心理上感觉更好？
• 认知性效用（cognitive）：解释能否真正提升我的理解？

用户对每种效用的估计并非中立，而是会受到一系列已得到充分记录的认知偏差影响，包括控制错觉（illusion of control）、自动化偏差（automation bias）、不切实际的乐观（unrealistic optimism）、影响偏差（impact bias）、过度自信（overconfidence）以及确认偏差（confirmation bias）。

两种失败模式

论文指出，认知偏差会导致两种典型的失败模式：

• 过度寻求：用户被解释的可用性吸引，注意力被切割成碎片，但并未带来更好的决策。
• 寻求不足：用户忽视或回避解释，导致关键风险和误解未被审视。

这两种极端都说明，仅让「解释可被获取」并不足以让用户真正受益，必须考虑用户是否会主动寻求解释，以及在何种心理状态下寻求解释。

对智能体系统的特殊意义

论文特别强调，这一挑战在智能体（agentic）AI 系统中尤为突出。智能体会产生级联式行动，用户不仅需要理解单个输出，还要预判后续动作、评估风险并决定何时介入。传统的单轮解释模型难以覆盖这种动态场景，需要从「让解释可被获取」转向「让解释被主动寻求」，在设计阶段就考虑用户实际的信息需求与认知偏差。

立场与展望

作为一篇立场论文，本文未给出实验数据或基准结果，其价值在于提供一个新的分析视角：将信息寻求心理学纳入 HCXAI 的设计考量。论文呼吁研究者关注解释被「寻求」而非仅被「提供」的机制设计，并期望后续工作能在该框架下进行实证检验与系统化设计探索。