不确定性呈现

它是什么

不确定性呈现是在用户需要判断时，说明 AI 结果依赖哪些证据、缺少什么信息、在什么条件下可能失效，以及接下来可以采取什么动作。它不等于给每个答案附一个百分比，也不是用“仅供参考”把判断责任全部推给用户。[S1][S2]

为什么需要它

确定语气容易让用户高估一个证据不足的结果，而反复强调“AI 可能出错”又会让提示失去作用。面向决定呈现真正相关的不确定性，能帮助用户判断何时直接采用、何时补充信息、何时比较替代项或转人工。目标不是让界面显得透明，而是让信任与系统实际能力更匹配。

它如何工作

先明确用户正在作出的决定和错误后果，再识别会改变决定的证据缺口、适用条件和替代解释。低风险场景可以提示缺失字段或提供多个候选；高风险场景应说明理由、限制和复核路径。文字、区间、分档或视觉标记都要用目标用户测试，确认他们理解含义并采取了合适动作，而不是只测试是否看见提示。[S1][S2]

必须澄清的误会

不确定性呈现 ≠ 置信度校准。 校准管信号准不准，呈现管信号怎么画给用户；顺序上要先校准再呈现，否则只是把错信号画得更醒目。

不确定性呈现 ≠ 解释界面。 解释界面回答「它为什么这么说」（依据与推理）；不确定性呈现回答「它有多确定」，两者常同时出现在一条回答上。

真实例子

发票审核助手发现税号格式异常，但图片右下角模糊。界面不显示来源不明的“82% 正确”，而是标出模糊区域，说明“税号末四位无法识别”，并提供查看原图、重新上传和交给审核员三个动作。若所有字段清晰且规则一致，系统只显示简洁结果，避免不确定性提示淹没日常工作。

什么时候适合与不适合

证据缺失、多个结果都合理或错误后果较高时，应明确呈现不确定性。低影响且可立即撤销的推荐不必展示复杂数值。如果产品没有明确定义并验证模型分数与实际正确率的关系，就不能把它直接解释成答案正确概率；即使完成置信度校准，过细数字也可能造成虚假精确感或困惑。是否展示、展示到何种粒度必须用真实任务验证。[S1]

亲自试一下

选择一个 AI 输出，写出三种可能改变用户决定的不确定性来源。为每种来源设计“用户看见什么、能做什么、何时升级”的组合，再让五名目标用户解释提示含义并选择行动。若他们把分数理解成产品没有承诺的正确率，或看完仍不知道下一步，呈现方式需要重做。

接下来学什么

先学习解释界面组织理由和证据，再用置信度校准理解分数与真实正确率的关系；当信息不足或风险超过自动边界时，继续学习人工升级处理。

来源与修订

高风险解释、缺失数据、自动与手动控制、置信信息可能误导以及用户测试要求参考 Google PAIR 的可解释性与信任指南 [S1]；说明系统能力、生成原因和支持高效纠正的交互原则参考 Microsoft 人机交互指南 [S2]。置信含义、校准质量和用户理解均依赖具体系统，不能跨模型或场景直接复用。