A Human-Centered Machine Learning Dashboard for Real-Time Smart Farming Decision Support
Adam Faturahman · James Williams · Evelyn Anderson 等 5 人
提出以人为中心的机器学习仪表盘，融合物联网与预测模型，为农户提供实时可解释的决策支持。
集成物联网传感器数据流与机器学习预测模块，开发交互式仪表盘，并用SUS量表和用户
以人为中心的设计显著提升用户对模型输出的理解与采纳信心，且不牺牲预测性能。
可探索不同作物、地区和文化背景下农户对可解释AI界面的差异化需求与长期采纳效果。
提出以人为本的机器学习仪表盘，兼顾可用性与预测性能，并开源实现，对智慧农业落地有参考价值。
机器学习（ML）在精准农业中的融合提升了作物监测、灌溉调度和产量估算等任务的预测准确性。然而，许多现有的基于物联网的智慧农业系统仍然以技术驱动为主，对农民和田间操作人员实际如何与模型输出交互并加以解读关注有限。这一差距往往导致采用率偏低，因为复杂的预测无法转化为最终用户可操作、可信赖的决策。本研究提出了一种以人为中心的机器学习仪表盘，旨在将预测建模与实时、面向农民的决策支持相衔接。该系统将物联网传感器数据流与基于机器学习的预测模块相集成，并通过一个经过可用性测试的交互式界面呈现，强调清晰性、可及性和可解释性，而非原始的技术复杂性。我们开发了一个可运行的原型，并使用定量可用性指标（如任务完成时间、系统可用性量表评分）和来自目标用户的定性反馈进行评估，以考察该仪表盘在支持田间决策方面的有效性。所提出的系统架构、仪表盘界面和底层机器学习流水线均以开放且可复现的源代码形式实现，便于在类似的智慧农业场景中复制和适配。结果表明，以人为中心的设计显著提升了用户对模型输出的理解以及依据系统建议采取行动的信心，同时未损害预测性能。本研究为设计在技术准确性的同时优先考虑最终用户体验的机器智能系统提供了一个实用框架，对农业及物联网驱动的决策支持环境中以人为中心的人工智能的更广泛发展具有启示意义。