AI 보조 의사결정에서 단기 결정 품질과 장기 인간 학습을 균형 있게 맞추려면 어떤 검사(특징)를 추천해야 하는지를, 특징들이 상관된 경우에 대해 분석한다. 특징이 독립일 때는 같은 검사를 반복 추천하는 정상 정책이 최적이라는 기존 결과와 달리, 상관이 있으면 그런 정책이 임의로 나빠질 수 있음을 증명한다. 대신 최적 정책은 '탐색 후 확정(explore-then-commit)' 구조를 따라야 하며, 초기에는 다양한 검사를 제시해 인간이 정확한 특징 계수를 학습하게 하고 이후 단일 검사 집합에 확정하되 탐색 길이는 상관 정도에 의존한다. 최적 정책 계산이 NP-난해임을 증명하고 동적 계획법 알고리즘과 근사법을 제시한다.

• •특징이 상관될 때 같은 검사를 반복 추천하는 정상 정책이 임의로 나빠질 수 있음을 증명한다.
• •최적 정책은 '탐색 후 확정' 구조를 따르며 탐색 길이가 특징 상관 정도에 의존한다.
• •최적 정책 계산이 NP-난해임을 증명하고 동적 계획법 기반 알고리즘을 도출한다.
• •짧은 지평선 계획에 정상 접미부를 덧붙인 근사법이 준최적 성능을 낸다.