論文の概要: From Dyad to Triad: Eliciting XAI Requirements in Stroke Rehabilitation
- arxiv url: http://arxiv.org/abs/2607.25423v1
- Date: Tue, 28 Jul 2026 08:20:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.757663
- Title: From Dyad to Triad: Eliciting XAI Requirements in Stroke Rehabilitation
- Title（参考訳）: ダイアドからトライアド:ストロークリハビリテーションにおけるXAI要件の緩和
- Authors: Param Rajpura, Yogesh Kumar Meena,
- Abstract要約: 脳卒中生存者の説明可能なAI(XAI)要件を緩和することは、方法論的な課題である。
本稿では,XAI 要求適応のためのビデオベースのスキャフォールディングプロトコルについて述べる。
- 参考スコア（独自算出の注目度）: 7.727905404396572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Eliciting explainable AI (XAI) requirements from stroke survivors presents a methodological challenge with direct implications for the design of trustworthy brain-computer interfaces for rehabilitation. How can patients and caregivers articulate preferences about algorithmic transparency when they lack conceptual frameworks for explainability, and when standard elicitation approaches are structurally inadequate for users with acquired communication disorders? We present a video-based scaffolding protocol for XAI requirements elicitation, developed and piloted in a rehabilitation context. In a formative study with three stroke survivors (two with moderate-to-severe aphasia) and three caregivers, facilitators employed four scaffolding approaches alongside the videos: 1) analogical bridging mapping AI states to familiar systems, 2) projective personas depersonalising sensitive topics, 3) binary forcing reducing cognitive load, and 4) extended response time. These approaches successfully surfaced heterogeneous, sometimes conflicting XAI needs across participants. Reflexive analysis additionally revealed three systematic facilitation biases, namely, normative bias, hypothesis confirmation bias, and presence effect, where scaffolding inadvertently shaped responses. We present these as protocol risk guidelines for practitioners. Together, the protocol and guidelines constitute a reusable methodological contribution for eliciting patient-facing XAI requirements in rehabilitation, arguing that such elicitation is a necessary prerequisite for trustworthy human-machine systems design, not an optional preliminary.
- Abstract（参考訳）: 脳卒中生存者からの説明可能なAI(XAI)要件の緩和は、信頼性の高い脳-コンピュータインターフェースの設計に直接的な意味を持つ方法論的な課題を提示する。
患者や介護者は、説明可能性に関する概念的な枠組みが欠如している場合や、取得したコミュニケーション障害のあるユーザーには、標準的適応アプローチが構造的に不適切である場合、どのようにしてアルゴリズムの透明性に関する嗜好を具体化することができるか。
本稿では,XAI 要求適応のためのビデオベースのスキャフォールディングプロトコルについて述べる。
3人の脳卒中生存者(2人は中等度から重篤な失語症)と3人の介護者によるフォーマティブな研究で、ファシリテーターはビデオと一緒に4つの足場アプローチを採用した。
1)AI状態を親しみやすいシステムにマッピングするアナログブリッジ。
2)敏感な話題を識別するプロジェクティブ・ペルソナ
3)認知負荷の軽減を強制する二分法
4) を延長した。
これらのアプローチは異種であり、時には参加者間でXAIの要求に矛盾することがある。
さらに、反射分析により、3つの体系的なファシリテーションバイアス、すなわち規範的バイアス、仮説確認バイアス、そして足場が意図せず形づくられた応答を示す存在効果が明らかになった。
我々はこれらを実践者のためのプロトコルリスクガイドラインとして提示する。
このプロトコルとガイドラインは、リハビリテーションにおいて患者が直面するXAI要件を導き出すための再利用可能な方法論的貢献であり、そのような適用は、オプションのオプションではなく、信頼できる人間機械システム設計に必要な前提条件である、と論じている。
関連論文リスト
- Position: Explainability Research Must Prioritize Foundations over Ad-hoc Methods [56.14010017381489]
本稿では,機械学習コミュニティが,基礎的・構造的課題に対処するために,アドホックなXAI手法から転換する必要があることを論じる。
我々は、XAIをより人間中心のアクション指向のパラダイムに移行するために設計された実践的なチェックリストを概説する。
論文 参考訳（メタデータ） (2026-06-18T21:46:20Z) - Hallucination in Medical Imaging AI: A Cross-Modality Analytical Framework for Taxonomy, Detection, and Mitigation under Regulatory Constraints [0.3437656066916039]
幻覚は臨床的にはあり得ないが、実際には正しくない出力である。
汎用基礎モデルは幻覚特異的ベンチマークにおいて医療特化モデルより優れている。
FDAのライフサイクル監視は依然として不可欠である。
論文 参考訳（メタデータ） (2026-06-11T11:19:31Z) - Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。
しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
論文 参考訳（メタデータ） (2026-06-10T18:35:36Z) - Beyond Explainable AI (XAI): An Overdue Paradigm Shift and Post-XAI Research Directions [95.59915390053588]
本研究では、ディープニューラルネットワーク(DNN)と大規模言語モデル(LLM)に焦点をあてる、説明可能な人工知能(XAI)アプローチに焦点を当てる。
より深い根本原因に起因する致命的な症状(2つのパラドックス、2つの概念的混乱、5つの誤った仮定)について論じる。
XAIの限界を超えて、信頼性と認定されたAI開発に向けた4つのパラダイムシフトを提案する。
論文 参考訳（メタデータ） (2026-02-27T16:58:27Z) - AI Deception: Risks, Dynamics, and Controls [153.71048309527225]
このプロジェクトは、AI偽装分野の包括的で最新の概要を提供する。
我々は、動物の偽装の研究からシグナル伝達理論に基づく、AI偽装の正式な定義を同定する。
我々は,AI偽装研究の展望を,偽装発生と偽装処理の2つの主要な構成要素からなる偽装サイクルとして整理する。
論文 参考訳（メタデータ） (2025-11-27T16:56:04Z) - The Epistemic Suite: A Post-Foundational Diagnostic Methodology for Assessing AI Knowledge Claims [0.7233897166339268]
本稿では,AI出力の生成と受信の状況を理解するための診断手法であるEpistemic Suiteを紹介する。
真実や虚偽を判断する代わりに、スイートは20個の診断レンズを通して、信頼の洗浄、物語の圧縮、異動した権威、一時的な漂流などのパターンを明らかにする。
論文 参考訳（メタデータ） (2025-09-20T00:29:38Z) - A Dataset for Addressing Patient's Information Needs related to Clinical Course of Hospitalization [15.837772594006038]
ArchEHR-QAは、集中治療室と救急部門の設定から現実の患者をベースとした、専門家による注釈付きデータセットである。
症例は、公衆衛生フォーラムへの患者による質問、臨床医が解釈した質問、関連する臨床ノートの抜粋、および臨床医が認可した回答である。
答えファーストのプロンプトアプローチは一貫して最善を尽くし、ラマ4は最高得点を獲得した。
論文 参考訳（メタデータ） (2025-06-04T16:55:08Z) - The Explanation Necessity for Healthcare AI [3.8953842074141387]
そこで本研究では,4つのクラスから成る新たな分類体系を提案する。
このフレームワークは、研究者が必要な説明可能性の適切な深さを決定するための実用的なツールを提供する。
論文 参考訳（メタデータ） (2024-05-31T22:20:10Z) - Transparent AI: Developing an Explainable Interface for Predicting Postoperative Complications [1.6609516435725236]
我々は5つの重要な質問に答えるために設計された説明可能なAI(XAI)フレームワークを提案する。
我々は,LIME(Local Interpretable Model-Agnostic Explanations)などの様々な手法を取り入れた。
術後合併症の予測を目的としたXAIインタフェースの試作について紹介した。
論文 参考訳（メタデータ） (2024-04-18T21:01:27Z) - Inverse Contextual Bandits: Learning How Behavior Evolves over Time [89.59391124399927]
意思決定の解釈可能な表現を提供する政策学習へのアプローチを模索する。
まず,文脈的帯域幅の観点から学習エージェントの挙動をモデル化し,逆文脈的帯域幅(ICB)の問題の定式化を行う。
第2に,エージェントの学習戦略に関して,各エージェントが仮定の度合いを変える2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-07-13T18:24:18Z)
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。