研究人员提出一种名为DxHF的新方法，通过“交互式分解”提升人类在AI对齐过程中提供反馈的质量。当前主流的AI对齐技术如RLHF和DPO依赖人类对长篇文本进行偏好判断，但面对复杂或冗长内容时，用户易因认知负荷过重而难以准确识别差异，导致反馈质量下降。 针对这一问题，英国剑桥大学副研究员史丹青博士及其团队提出基于“分解原则”的交互式方法。该方法将长文本拆解为多个简洁、独立的语义陈述，使用户能逐项对比，降低理解难度。同时，团队设计了视觉辅助界面：通过不透明度编码突出关键信息，用连接线展示语义相似的陈述，帮助用户快速定位差异点。 实验结果显示，DxHF显著提升了反馈准确性，平均提升约5%，尤其在用户不确定时提升达6.4%。尽管反馈时间略有增加，但用户决策信心明显增强，认知负担显著减轻。研究过程分为三阶段：首先通过文献分析明确问题，引入“分解原则”作为理论基础；其次进行多轮界面原型设计与迭代，最终结合物理折叠手册的隐喻，实现整体性与细节探索的平衡；最后通过仿真与大规模众包实验验证效果，超过160名参与者参与测试。 该研究被人机交互顶会UIST 2025接收，审稿人认为其不仅对AI对齐具有重要价值，还可推广至法律文书比对、政策分析等需要精细文本对比的领域。项目团队由史丹青与芬兰Aalto大学、瑞典KTH、瑞士苏黎世联邦理工等机构合作完成，长期致力于人智交互与AI对齐研究，此前已在机器人行为对齐与可视化技术方面取得多项成果。此次工作标志着交互式AI对齐从机器人领域拓展至大模型文本分析，具有广泛的应用前景。