依赖校准衡量的是对齐，而非信任
依赖校准是这篇论文提出的组织性概念：在一次交互会话中，用户接受或拒绝 AI 建议的行为，在多大程度上与这些建议实际是否正确相匹配。校准良好的用户会在 AI 正确时接受建议，在 AI 错误时拒绝或修改建议；校准不良的用户则会系统性地过度依赖或依赖不足。
研究把这一点与单纯的接受率区分开来。在两个 AI 条件下，参与者接受建议的比例为 75.0%，修改为 20.2%，拒绝为 4.8%。带解释时的接受率（72.0%）低于只给预测时（79.0%）。这些比例描述的是行为；校准要问的是，这种行为是否跟随了 AI 的正确性。
作者用一个 RC 分数概括校准偏差，分数越低表示校准越好，并将其拆分为过度依赖和依赖不足。在这个样本中，两者差距很大：过度依赖均值为 0.31（SD 0.24），依赖不足均值为 0.04（SD 0.12）；配对单侧 Wilcoxon 检验确认，参与者的过度依赖显著多于依赖不足（p << .001）。
没有反馈时，用户只能自我监控
以往大多数校准研究都假设存在明确的绩效反馈：每次决策后，任务层面的信号会告诉用户其判断或 AI 建议是否正确。此时反馈和解释都是学习信号，让用户更新对 AI 可靠性的心智模型。
这篇论文关注的是缺少这种信号的场景。使用诊断工具的临床医生，或标注医学文本的分析人员，可能完成整个会话都不知道自己接受或推翻 AI 建议是否恰当。在这种环境中，用户必须依靠内部元认知资源，反思自己知道什么、对此有多大把握，来决定接受还是推翻建议。
作者认为，这一机制对新手尤其脆弱，因为他们的领域专业知识不足以独立验证 AI 输出或解读解释。研究要检验的正是这一缺口：当用户无法自行核查 AI 时，解释能否替代缺失的反馈。
一项反馈有限的临床抽取任务
研究采用被试间实验，通过面向研究的众包平台 Prolific 招募了 110 名参与者。参与者要从匿名化的患者出院小结中抽取六类临床词语和短语，包括体征与症状、检验值、药物和疾病障碍。对每份文档，他们需要先理解临床类别，再正确识别并标出对应的文本片段。
四种条件改变了 AI 支持的程度：无 AI、无 AI 加医学词典、仅 AI 建议、AI 建议加解释。参与者以标注文本的形式产生了 26,460 个决策点。AI 辅助条件的任务准确率（AI：M = 0.429，SD = 0.257；AI + Exp：M = 0.454，SD = 0.260）高于非 AI 条件（No AI：M = 0.211，SD = 0.226；No AI + MD：M = 0.180，SD = 0.212）。
作者说明，选择该任务是因为它需要专业知识、经过努力可以完成，且足够复杂，值得引入 AI 建议。他们为这一设计标注的限制是：临床类别被选为可区分的；如果即使有说明和解释，类别仍难以分辨，误解可能会使结果产生偏差。
解释基本没有改变校准水平
对解释的核心检验使用贝叶斯线性混合效应模型，以参与者为随机截距，以解释条件和临床类别为固定效应。解释系数可以忽略且不可信（beta = -0.02，95% CI [-0.05, 0.02]），后验分布集中在零附近，残差方差没有变化。解释条件也没有削弱不同临床类别之间的难度差异。
主动使用解释也没有改变这一结果。在 AI + Exp 条件内，无论是对置信分数的停留时间（beta = 0.00，95% CI [-0.01, 0.02]），还是对医学词典的停留时间（beta = -0.01，95% CI [-0.03, 0.01]），都与更低的 RC 分数无关。
有一个更窄的信号方向相反。逐项依赖指标在两个条件下都与 AI 正确性正相关，仅 AI 条件下较弱（rho = 0.20，p < .001），带解释时略强（rho = 0.27，p < .001）；Fisher r-to-z 检验确认两个相关系数存在显著差异（z = -2.52，p = .012）。作者将此解读为解释小幅提升了用户对 AI 正确性的敏感度，尽管总体校准分数没有变化。
过度依赖随会话推进而上升
会话轨迹分析将 RC 分数对任务序列做回归，并为参与者设置随机截距和斜率。总体 RC 分数在整个会话中呈上升趋势，但该效应不显著。两个组成部分的变化更能说明问题：过度依赖随会话推进而增加（估计值 = 0.04，95% CI [-0.01, 0.09]；P(beta > 0) = 0.94），而依赖不足显著下降（估计值 = -0.01，95% CI [-0.03, 0.00]；P(beta < 0) = 0.97）。
作者将这一模式描述为随时间推移逐渐不加批判地接受 AI 建议。随机斜率方差超过平均斜率，说明个体轨迹差异很大，并非所有用户都沿同一条路径变化。
校准偏差还取决于标注的对象。加入临床类别作为固定效应后，检验值类任务的校准偏差最高（估计均值约 0.60，beta = 0.33，95% CI [0.28, 0.38]），诊断操作类任务为中等偏差（beta = 0.07，95% CI [0.02, 0.13]）。类别使残差方差从 0.25 降至 0.21；加入文档 ID 没有提供证据，这些系数保持不变。
任务理解比自信更能预测选择性依赖
会话前的感知能力普遍较高（M = 4.33，SD = 0.61），到结束时略有下降（M = 4.03，SD = 0.86），其中仅 AI 条件下降最多（M = -0.47，SD = 0.88）。以会话前的感知能力作为调节变量，方向性检验对“感知能力越高，RC 分数越低”的假设提供了中等支持（后验概率 0.88，证据比 7.08）。
交互结果与作者的预期相反。解释与感知能力的交互为正但不可信（beta = 0.05，95% CI [-0.02, 0.13]），后验质量主要落在正向，作者将其解读为解释可能缩小而非放大了高能力参与者的校准优势。
更清晰的分野来自把自信与理解分开。在一个覆盖 12,798 个条目的贝叶斯逻辑混合模型中，自信在各项接受通道中都不能预测恰当依赖，而且更自信的参与者更不可能拒绝或修改错误建议（beta = -0.33，95% CI [-0.73, 0.05]；P(beta < 0) = 0.95）。理解的作用相反：理解程度越高，拒绝和修改错误建议（beta = 0.51，95% CI [0.09, 0.94]；P(beta > 0) = 0.99）以及补充遗漏实体（beta = 0.47，95% CI [0.05, 0.89]；P(beta > 0) = 0.99）都更多，而对接受正确建议没有可信影响。
应监控类别特定的依赖，而非整体信任
这篇论文最具可操作性的区分是：校准偏差不是单一的用户特质。同一个用户使用同一个 AI 系统时，会因临床类别不同而表现不同，检验值类任务偏差最突出。作者将其归因于数值在视觉上显著且容易识别，导致用户过度依赖，而不去核查建议是否符合语境中检验值的临床定义。一位处于 AI 条件的参与者描述说，对于药物和检验值这类容易的类别，他只是快速浏览文本，并未参考 AI 高亮的文本。
这一解读支持的是设计优先级，而不是笼统呼吁提高透明度。由于解释随每条建议统一呈现，把评估负担压给了缺乏认知资源来使用解释的用户，作者因此提出元认知监控功能：追踪接受率、编辑频率和对解释的停留时间等行为信号，并在某一知识领域内出现变化时发出提示。与绩效反馈不同，这类功能在任务过程中不需要真实答案。
适用范围会影响如何应用这些结论。参与者是 Prolific 众包工作者，并不代表广泛人群，研究也没有考虑认知负荷和内在动机。在这些边界内，论文提供的实用阈值是行为层面的：某一知识领域内接受率骤升，或相对于用户自身基线的建议后编辑行为骤降，就是值得采取行动的信号，尤其是在仅靠解释未能纠正这种漂移的情况下。
本文引用的文献
Novice Reliance Calibration in AI-Assisted Decision Making: The Role of Explanations and Self-Assessment
在一项有 110 名参与者、无反馈的临床实体抽取研究中，AI 解释对依赖校准的影响可以忽略，过度依赖随会话推进而上升，而自评的任务理解（不同于自信）能预测用户更倾向于拒绝和修改错误的 AI 建议。