技术接受水平（TAL）：一种评估农业中可信人工智能的以人为中心的度量标准

《Computers and Electronics in Agriculture》：Technology Acceptance Level (TAL): A human-centred metric for evaluating trustworthy artificial intelligence in agriculture

　　

研究人员引入了TAL，一种用于评估农业中人工智能的9级以人为中心接受度量标准。TAL通过测量用户侧采用情况（而非工程成熟度）来补充技术就绪水平（TRL）。五个维度：有用性、易用性、透明度、可靠性、工作流程适配。一种非补偿性最小值聚合防止薄弱维度被掩盖。三个用例展示了在具有不同限制性改进目标的相同TAL下。

### 论文解读：技术接受水平（TAL）：一种用于评估农业中可信人工智能的以人为中心的度量标准

**研究背景与问题**

农业的数字化转型日益围绕人工智能（AI）展开，机器学习（ML）和深度学习在作物监测、产量预测、机器人收获、精准灌溉和土壤健康等领域应用广泛。然而，尽管在实验室环境中取得了显著的技术成功，这些系统在农场决策中成为稳定组成部分的比例仍然不高。一项对1064项智能农业技术的大规模盘点发现，仅16%的研究项目最终转化为商业产品。调查也表明，农民对智能农业技术的体验与其期望存在系统性偏差，采用率更多取决于与实际运营的匹配度，而非原始模型性能。

这种实施差距并非源于底层ML方法的失败，而是设定了错误的需求和评估标准。当前农业工程中主导的成熟度工具——技术就绪水平（TRL）——仅从硬件和软件技术成熟度角度评分，忽略了用户信任、界面认知负荷、模型在多变环境下的可靠性等关键因素。在用户接受度方面，技术接受模型（TAM）和统一技术接受与使用理论（UTAUT）提供了用户侧构念，但它们是连续潜在构念，而非离散、可沟通的尺度。此外，欧盟AI法案等法规要求AI系统可信、合法、稳健，但现有指南（如HLEG评估清单）是清单，而非尺度。

因此，该研究旨在解决一个核心问题：给定一个已部署（或正在部署）的AI系统，其当前处于何种等级的用户接受度？以及哪个具体、可测量的维度必须改进才能使其提升？为此，研究人员提出了技术接受水平（TAL），这是一个九级序数度量标准，用于填补TRL（技术成熟度）与TAM/UTAUT（用户接受度）之间的空白。

**主要技术方法**

1. **五维度评分体系**：TAL从五个操作性可测量的维度评估AI系统：感知有用性（U）、田间条件下的感知易用性（E）、透明度（T）、变化条件下的可靠性（R）和工作流程适配性（W）。每个维度在[0,1]连续尺度上打分。
2. **非补偿性最小值聚合规则**：采用Leontief型最小-维度聚合规则（式4），即系统的整体TAL值由其最弱的维度得分决定。这避免了加权平均法可能掩盖薄弱维度的问题。
3. **九级接受度水平定义**：定义了从TAL 1（意识）到TAL 9（稳定整合）的九个等级，每个等级都有可验证的标准（见表1），基于用户与系统的人机环关系来定义。
4. **评估验证程序**：报告Cronbach's α（内部一致性）和Cohen's κ（评价者间信度），并采用BCa自助法计算95%置信区间。

**研究结果**

**用例1：变率氮管理（TAL 3，绑定维度：透明度T）**
- 该用例代表纯粹的决策支持。研究通过假设的维度得分（U=0.65, E=0.55, T=0.30, R=0.50, W=0.45）展示了一个典型商业部署。最小值聚合得到0.30，对应TAL 3（辅助试验）。绑定维度是透明度（T），表明投资于处方解释比提升模型精度更能推动接受度提升。

**用例2：苹果收获机（TAL 3，绑定维度：工作流程适配性W）**
- 该用例接近执行端。假设的维度得分（U=0.70, E=0.40, T=0.60, R=0.35, W=0.30）得出最小值0.30，同样对应TAL 3。但绑定维度是工作流程适配性（W），表明需要改进采摘周期、损伤率等，而非透明度。

**用例3：奶牛跛行检测（TAL 5，绑定维度：透明度T）**
- 该用例已达到条件性依赖。假设的维度得分（U=0.75, E=0.65, T=0.55, R=0.60, W=0.70）得出最小值0.55，对应TAL 5。绑定维度是透明度（T），与Van Hertem等人（2017）的发现一致，即数据可视化界面是关键因素。

**总结与讨论**

研究讨论了TAL与现有工具（TRL、HLEG评估清单）的互补关系。TAL描述的是已部署系统在用户实际工作中的整合程度，最适用于首次部署后。它通过与TRL和HLEG清单联合报告（如“TRL 8 / HLEG合规 / TAL 3 (d\*=T)”），为决策者提供可操作的结论。研究还强调了非补偿性最小聚合的合理性，并明确了TAL的局限性：尚未经验证、地理和文化范围局限（主要基于高收入、欧洲背景）、不适用于物理执行系统和多主体场景。最后，研究人员提出了两个可验证的假设：透明度（T）或工作流程适配性（W）是大多数情况下的绑定维度；针对绑定维度的改进比针对非绑定维度的改进更能提升接受度。

**研究结论**

研究人员引入了技术接受水平（TAL），这是一种用于评估农业中可信AI的九级以人为中心度量标准。TAL旨在通过非补偿性、最小-维度聚合规则，整合五个操作性可测量的维度（感知有用性、田间条件下的感知易用性、透明度、变化条件下的可靠性及工作流程适配性），来填补工程侧成熟度尺度（如TRL）与用户侧接受度理论（如TAM和UTAUT）之间的空白。该聚合规则确保不会因其他维度的强得分而掩盖任何一个薄弱维度，并通过相同构造识别出限制性维度作为明确、可操作的改进目标。此设计基于（尽管尚未得到确认）单维度故障会导致农业决策支持系统被放弃的证据。研究人员通过涵盖精准农业、农业机器人和精准畜牧业三个不同的AI系统，使用假设得分展示了该框架的诊断逻辑，说明技术成熟度相近的系统如何占据不同的接受度水平，以及限制性维度如何不同。这些用例阐明了TAL的诊断逻辑。研究人员提出了两个假设——关于透明度和工作流程适配性作为限制性维度的普遍性，以及针对特定维度的改进对接受度结果的影响——这些假设仍有待于一项多站点验证研究来检验，该研究被确定为最紧迫的下一步工作。所提出的框架是在高收入、受欧洲影响的农业背景下开发的，其对小农户、机器人及多主体场景的扩展尚未完成。在此范围内，TAL作为一个概念性和方法论提案被提出，旨在为农业研究、供应商、顾问和政策制定者提供一个共享词汇，以回答最终至关重要的问题：这个AI系统是否真的被使用？如果没有，具体需要改变什么？