論文の概要: Explainable AI for Blind and Low-Vision Users: Navigating Trust, Modality, and Interpretability in the Agentic Era

• arxiv url: http://arxiv.org/abs/2604.00187v1
• Date: Tue, 31 Mar 2026 19:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.698697
• Title: Explainable AI for Blind and Low-Vision Users: Navigating Trust, Modality, and Interpretability in the Agentic Era
• Title（参考訳）: 視覚障害者のための説明可能なAI:エージェント時代の信頼、モダリティ、解釈可能性
• Authors: Abu Noman Md Sakib, Protik Dey, Zijie Zhang, Taslima Akter,
• Abstract要約: 盲目と低視野(BLV)のユーザにとって、アクセス可能な説明の欠如は、AI駆動型補助技術の独立した使用に対する根本的な障壁となっている。 本稿では,ユーザインタビューと現代研究の総合的な分析を通じて,BLVコミュニティのユニークなXAI要件について検討する。 BLVのユーザは会話の説明を高く評価する一方で、AIの失敗に対して“自己認識”を頻繁に経験している、という実証的な証拠がある。
• 参考スコア（独自算出の注目度）: 0.9741676285072485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable Artificial Intelligence (XAI) is critical for ensuring trust and accountability, yet its development remains predominantly visual. For blind and low-vision (BLV) users, the lack of accessible explanations creates a fundamental barrier to the independent use of AI-driven assistive technologies. This problem intensifies as AI systems shift from single-query tools into autonomous agents that take multi-step actions and make consequential decisions across extended task horizons, where a single undetected error can propagate irreversibly before any feedback is available. This paper investigates the unique XAI requirements of the BLV community through a comprehensive analysis of user interviews and contemporary research. By examining usage patterns across environmental perception and decision support, we identify a significant modality gap. Empirical evidence suggests that while BLV users highly value conversational explanations, they frequently experience "self-blame" for AI failures. The paper concludes with a research agenda for accessible Explainable AI in agentic systems, advocating for multimodal interfaces, blame-aware explanation design, and participatory development.
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、信頼性と説明責任を保証するために重要であるが、その開発は主に視覚的のままである。 盲目と低視野(BLV)のユーザにとって、アクセス可能な説明の欠如は、AI駆動型補助技術の独立した使用に対する根本的な障壁となっている。 この問題は、AIシステムが単一クエリツールから、マルチステップアクションを採り、拡張されたタスク水平線を越えて連続的な決定を行う自律エージェントへと移行するにつれて、単一の未検出エラーが、フィードバックが利用可能になる前に不可逆的に伝播するようになる。 本稿では,ユーザインタビューと現代研究の総合的な分析を通じて,BLVコミュニティのユニークなXAI要件について検討する。 環境認識と意思決定支援にまたがる利用パターンを調べることにより、重要なモダリティギャップを同定する。 BLVのユーザは会話の説明を高く評価する一方で、AIの失敗に対して“自己認識”を頻繁に経験している、という実証的な証拠がある。 本稿では,エージェントシステムにおける説明可能なAIの実現,マルチモーダルインターフェースの提唱,非難対応の説明設計,参加型開発に関する研究課題をまとめる。

関連論文リスト

• Steering LLMs via Scalable Interactive Oversight [74.12746881843044]
  大規模な言語モデルは、エンフェーブコーディングのような複雑で長期にわたるタスクをますます自動化し、監督のギャップが生まれています。 スケーラブルな監視において重要な課題は、人間が責任を持ってAIシステムを、特定または検証する能力を超えたタスクで操ることができることだ。
  論文  参考訳（メタデータ） (2026-02-04T04:52:00Z)
• Disclosure By Design: Identity Transparency as a Behavioural Property of Conversational AI Models [10.35358368112024]
  AIのアイデンティティが不明な場合、ユーザーは無意識に機密情報を共有したり、AIが生成するアドバイスを不当に信頼したり、AI対応の詐欺の被害を被る可能性がある。 我々は、AIシステムが直接尋ねられたとき、人工的なアイデンティティを明示的に開示する設計による開示を提唱する。 ベースライン開示率は高いことが多いが、ロールプレイが著しく低下し、相手のプロンプトで抑制できることがわかった。
  論文  参考訳（メタデータ） (2026-01-27T17:31:37Z)
• Visual Analytics for Explainable and Trustworthy Artificial Intelligence [2.1212179660694104]
  AI採用の大きな障害は、透明性の欠如にある。 多くの自動化システムはブラックボックスとして機能し、基盤となるプロセスを明らかにすることなく予測を提供する。 ビジュアル分析(VA)は、AIモデルとインタラクティブな視覚化を組み合わせることで、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-14T13:03:17Z)
• A Multi-Layered Research Framework for Human-Centered AI: Defining the Path to Explainability and Trust [2.4578723416255754]
  人間中心型AI(HCAI)は人間の価値観との整合性を強調し、説明可能なAI(XAI)はAI決定をより理解しやすくすることで透明性を高める。 本稿では,HCAI と XAI を橋渡し,構造的説明可能性パラダイムを確立する新しい3層フレームワークを提案する。 我々の発見は、透明性、適応性、倫理的に整合したAIシステムを育成するHCXAI(Human-Centered Explainable AI)を前進させた。
  論文  参考訳（メタデータ） (2025-04-14T01:29:30Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Towards Reconciling Usability and Usefulness of Explainable AI Methodologies [2.715884199292287]
  ブラックボックスAIシステムは、誤った判断を下すと、責任と説明責任の問題を引き起こす可能性がある。 説明可能なAI(XAI)は、開発者とエンドユーザの間の知識ギャップを埋めようとしている。
  論文  参考訳（メタデータ） (2023-01-13T01:08:49Z)
• Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
  AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。 本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。 43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
  論文  参考訳（メタデータ） (2022-11-12T21:54:05Z)
• What Do End-Users Really Want? Investigation of Human-Centered XAI for Mobile Health Apps [69.53730499849023]
  説明可能なAI(XAI)を評価するために,ユーザ中心のペルソナ概念を提案する。 分析の結果,ユーザの人口統計や性格,説明のタイプ,影響説明の嗜好が示された。 私たちの洞察は、対話的で人間中心のXAIを実践的な応用に近づけます。
  論文  参考訳（メタデータ） (2022-10-07T12:51:27Z)
• Cybertrust: From Explainable to Actionable and Interpretable AI (AI2) [58.981120701284816]
  Actionable and Interpretable AI (AI2)は、AIレコメンデーションにユーザの信頼度を明確に定量化し視覚化する。 これにより、AIシステムの予測を調べてテストすることで、システムの意思決定に対する信頼の基盤を確立することができる。
  論文  参考訳（メタデータ） (2022-01-26T18:53:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。