A Taxonomy for Uncertainty-Aware Explainable AI

URN zum Zitieren dieses Dokuments:: urn:nbn:de:bvb:355-epub-770196
DOI zum Zitieren dieses Dokuments:: 10.5283/epub.77019

Förster, Maximilian ; Hagn, Michael ; Hambauer, Nico ; Jaki, Paula ; Obermeier, Andreas ; Pinski, Marc ; Schauer, Andreas ; Schiller, Alexander ; Benlian, Alexander ; Heinrich, Bernd ; Jussupow, Ekaterina ; Klier, Mathias ; Kraus, Mathias

; Schnurr, Daniel

PDF
(1MB)

Veröffentlichungsdatum dieses Volltextes: 02 Jul 2025 09:02

Alternative Links zum Volltext:Verlag

Details

Dokumentenart:	Konferenz- oder Workshop-Beitrag (Paper)
Open Access Art:	Individueller Autorenvertrag
Datum:	Juni 2025
Institutionen:	Wirtschaftswissenschaften > Institut für Wirtschaftsinformatik > Lehrstuhl für Wirtschaftsinformatik II (Prof. Dr. Bernd Heinrich) Informatik und Data Science > Fachbereich Wirtschaftsinformatik > Lehrstuhl für Wirtschaftsinformatik II (Prof. Dr. Bernd Heinrich) Informatik und Data Science > Fachbereich Wirtschaftsinformatik > Lehrstuhl für Maschinelles Lernen, insbesondere Uncertainty Quantification (Prof. Dr. Daniel Schnurr) Informatik und Data Science > Fachbereich Wirtschaftsinformatik > Lehrstuhls für Nachvollziehbare Künstliche Intelligenz in der Betrieblichen Wertschöpfung (Prof. Dr. Mathias Kraus)
Stichwörter / Keywords:	Explainable AI, Uncertainty-Aware Explanation, Taxonomy, AI-Augmented Decisions
Dewey-Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik 300 Sozialwissenschaften > 330 Wirtschaft
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Zum Teil
Dokumenten-ID:	77019

Vorschau

Bibliographische Daten exportieren

Zusammenfassung

Artificial Intelligence (AI) is increasingly used to augment human decision-making. However, especially in high-stakes domains, the integration of AI requires human oversight to ensure trustworthy use. To address this challenge, emerging research on Explainable AI (XAI) focuses on developing and investigating methods to generate explanations for AI outcomes. Yet, current approaches often yield ...