摘要：当前,以数据驱动为基础的自适应学习技术在教育领域展现出了巨大的潜力,然而其不透明的“黑箱”属性引发了教育研究者和实践者的普遍担忧。可解释性人工智能被认为有潜力在自适应学习情境中帮助学习者理解干预决策,从而提升学习成效,但其在教育应用中的实践效果存在争议。为此,文章采用元分析方法,对29项实证研究的66个效应量进行分析,发现可解释性人工智能对自适应学习的学习效果的提升为中等程度,其中对学习者认知和元认知维度的影响更大;可解释性人工智能的促进作用因受到解释设计、呈现设计、实验设计的影响而存在差异。基于研究结果,文章提出未来的自适应学习干预应坚持以学习者为中心,注重学习干预解释的互动性、可读性和边界性等启示,以促进可解释性人工智能在教育领域的深度应用。

摘要：航空发动机故障预测与健康管理是提高航空发动机安全性、可靠性以及经济可承受性的关键技术。基于深度学习的人工智能方法在机械故障诊断领域受到广泛关注并开展了深入研究,但现有深度学习“黑箱算法”的现状仍然存在模型可解释性差、理论基础薄弱等问题。针对航空发动机健康管理与智能运维的迫切需求,提出航空发动机可解释性智能监测诊断网络,并在某型涡扇发动机整机长试试验中验证了异常检测与中介轴承故障诊断的有效性。将发动机振动信号先验信息融入稀疏表示模型,对模型的迭代求解算法进行展开得到结构具有可解释性的核心网络;针对航空发动机异常检测与智能诊断任务构造了基于对抗训练框架的可解释性异常检测子网络和基于特征提取框架的可解释性故障诊断子网络。本文提出的基于迭代算法展开的网络构造框架具备明确的理论基础,即网络设计有依据;稀疏表示模型驱动的可视化方法能够检验网络是否学到了与发动机故障相符的有意义的特征,即学习结果可信任。最后,通过某型涡扇发动机整机长试试验积累的超过500小时的试车数据,验证了本文提出的模型驱动的可解释性智能监测诊断网络在航空发动机异常检测与中介轴承故障诊断方面的有效性与可靠性。

摘要：目的随着现代人工智能技术在自动驾驶系统中的广泛应用,其可解释性问题日益凸显,为此探讨人-无人车交互过程中的可解释性交互的框架以及设计要素等问题,以增强自动驾驶系统的决策透明性、安全性和用户信任度。方法结合可解释人工智能和人机交互的基本理论与方法,本文首先介绍了可解释性人工智能,对当前可解释内容的提取方法进行总结,然后以人-机器人交互的透明度模型为基础,建立人-无人车交互中可解释性交互的框架。最后从解释的对象、方式和评价等多个设计维度对可解释性的交互设计问题进行探讨,并结合案例进行分析。结论可解释性作为人与模型决策之间的接口,不仅仅是一个人工智能技术问题,而且与人密切相关,涉及到人-无人车交互中的多个层次。本文提出人-无人车交互中可解释性交互的框架,得出在人-无人车交互每个阶段需要的解释内容以及可解释交互设计的要素。

摘要：提出了一种机器人高过载无框伺服电机方案,首先从表贴式永磁同步电机的电压转矩方程出发,探讨了影响表贴式永磁同步电机过载能力的因素,通过SHAPLEY模型可解释性框架对主要影响电机过载能力的永磁体厚度、气隙长度、极弧系数、定子裂比等设计因素进行分析,得到上述设计参数对电机过载能力贡献度随不同设计方案和自身数值改变的变化规律,然后利用该模型对科尔摩根TMB(S)-6051-A无框永磁同步电机进行优化设计,最终使电机过载能力达到4.6倍。