AI 시스템이 커지고 복잡해지며 설명가능성(XAI) 추구도 어려워지는 상황에서, 학습 이론(learning theories)을 XAI 라이프사이클에 주입하는 학습자 중심 접근 제안. XAI 설명이 다양한 기능을 수행하지만 복잡성 앞에서 인간은 학습을 촉진하기 위해 설명을 사용해 왔다는 관찰 기반. 학습자 중심 XAI가 인간 주체성을 강화하고 XAI 리스크 완화를 쉽게 만들어 인간 중심 XAI 실천을 진화시킬 수 있다고 주장하는 포지션 페이퍼.
- •복잡한 AI 시스템의 설명가능성 문제에 학습 이론을 결합하는 학습자 중심 접근 제안.
- •XAI 설명의 여러 기능 중 '학습 촉진'을 핵심 축으로 재정의.
- •학습자 중심 XAI가 인간 주체성(agency) 강화로 XAI 리스크 완화를 쉽게 만듦.
- •XAI 평가·설계·평가 라이프사이클 전반에 학습 이론 기반 프레임워크 적용.
- •포지션 페이퍼로서 향후 연구 방향과 도전과제 제시 — 기회와 병목을 모두 논의.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Using Learning Theories to Evolve Human-Centered XAI: Future Perspectives and Challenges
- 1.XAI를 '설명 제공'에서 '학습자 지원'으로 재프레이밍.
- 2.학습 이론을 XAI 라이프사이클에 주입하는 포지션 페이퍼.
- 3.인간 주체성 강화로 XAI 리스크 완화.
- 4.복잡 AI 시대 인간 중심 XAI 실천 진화 방향.
- 5.교육·훈련 목적 AI 시스템 설계에 직접 영감.
왜 중요한가?
한국 금융·의료 AI 설명의무(GDPR·PIPA 등)가 강화되는 흐름에서 '설명'의 정의 자체를 '학습자가 이해하도록 돕는 것'으로 재정의하는 프레임. 규제 대응·UX 설계 팀에 새 기준.
본문 미리보기
arXiv:2604.19788v1 Announce Type: new Abstract: As Artificial Intelligence (AI) systems continue to grow in size and complexity, so does the difficulty of the quest for AI transparency. In a world of large models and complex AI systems, why do we explain AI and what should we explain? While explanations serve multiple functions, in the face of complexity humans have used and continue to use explanations to foster learning. In this position paper, we discuss how learning theories can be infused
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:38AI 초안
