f-RecX框架：推荐系统中文本解释设计的有效性优化与用户界面融合研究

本文系统提出f-RecX框架，针对推荐系统（RecSys）中文本解释的界面设计问题，通过结合定性用户研究与定量评估方法，构建了涵盖解释风格、目标、领域动态和系统技术的四维输入模型，重点优化视觉呈现输出维度，显著提升非专业用户对推荐机制的理解度和信任感（XAI）。

　　

Section snippets（章节片段）

Related work（相关工作）

本节梳理了可解释人工智能（XAI）用户界面的框架与指南研究，以及推荐系统（RecSys）可解释性方面的既往成果。欲获取该领域的完整综述，建议参阅Ko等（2022）、Zhang等（2020）、Tintarev与Masthoff（2015）、Chatti等（2024）以及Pu与Chen（2006）的研究。

Methodology（研究方法）

为解答研究问题（参见第1节），我们采用了两阶段研究方法，每个阶段均基于前一阶段的发现逐步深入。该方法体系支持我们系统探索RecSys用户界面中文本解释的设计与感知机制。图2展示了双阶段方法及其与研究问题的对应关系。首阶段方法（M01）聚焦非专业用户对含文本解释的RecSys界面的感知模式。

Results（研究结果）

我们呈现了第3节所述双阶段研究方法（M01-M02）的分析结果。

f-RecX框架

f-RecX是本研究的核心贡献，它是一个用于表征和设计RecSys用户界面中有效文本解释的概念框架。该框架的核心理念在于通过以人为本的设计方法，指导开发人员构建更高效的文本解释系统。f-RecX是首个将RecSys技术能力与视觉设计参数专用于文本解释的集成框架，突破了现有框架仅侧重技术或人文单维度的局限。

Comparison with existing XAI frameworks（与现有XAI框架的对比）

为凸显f-RecX的创新性，表4展示了与现有XAI系统界面设计框架的对比结果。我们从解释风格、解释目标、领域动态、RecSys技术和视觉化文本解释等维度进行评估。系统化比对揭示了当前研究方法的显著缺陷，而f-RecX则针对性解决了这些问题。虽然"解释目标"维度在现有研究中备受关注...

Discussion and future work（讨论与未来工作）

我们探讨了本研究的局限性、潜在研究方向以及对可解释RecSys领域的 broader implications（广泛影响）。特别讨论了与既往研究的契合度，并对方法论、分析结果和f-RecX框架进行了批判性审视，同时建立了与人本理念和人机协作（human-AI collaboration）的关联。

Conclusion（结论）

本研究为理解可解释推荐系统中的用户偏好奠定了理论基础。所提出的f-RecX概念框架通过结合定性用户 workshops（工作坊）与定量视觉偏好评估的双阶段研究方法，最终构建出包含四个输入维度（解释内容、目的、语境与算法基础）和一个聚焦视觉呈现的输出维度的综合设计体系。