Coraz więcej prac ma na celu zrozumienie ZZOZ. Wielu autorów i instytucji jest zgodnych co do celów opieki zdrowotnej, polegającej na wzmacnianiu pozycji człowieka, a nie zastępowaniu go (np. korzystanie z agentów konwersacyjnych wspierających społeczności) . Jednak jak dotąd poczyniono niewielkie postępy w operacjonalizacji trzech kluczowych pomysłów Shneidermana (2020) dotyczących zapewniania bardziej skutecznej opieki zdrowotnej. Zamiast tego większość raportów skupiała się na potrzebie opracowania procesów skoncentrowanych na użytkowniku w celu projektowania systemów sztucznej inteligencji, które uczą się i ewoluują. Na przykład Yang i in. (2020) zbadali, dlaczego systemy, które uczą się i ewoluują, są trudniejsze do zaprojektowania niż konwencjonalne, poprzez odwzorowanie różnych wyzwań związanych z projektowaniem interakcji człowiek-AI na procesy projektowania skoncentrowane na użytkowniku. Podobnie Xu (2019) zaproponował ramy HCAI umożliwiające opracowywanie skuteczniejszych narzędzi sztucznej inteligencji w oparciu o nowe wyzwania dla użytecznych i użytecznych systemów, które Olsson i Väänänen (2021) rozszerzyli o swój model sztucznej inteligencji 4P (produkt, ludzie, zasady i proces) design, aby opisać oczekiwaną dynamikę w praktykach projektowania UX jako podstawę dla nowych procesów projektowych. Podobnie jak większość zgłoszonych prac, w ramach Xu (2019) założono, że narzędzia sztucznej inteligencji wykorzystują systemy uczenia maszynowego czarnej skrzynki z sieciami neuronowymi do rozpoznawania wzorców w systemach głębokiego uczenia się, które wymagają możliwości wyjaśnienia użytkownikom powodów uzyskiwanych wyników. Rzeczywiście, Yang i in. (2020) podkreślili brak wspólnej definicji sztucznej inteligencji w dyskursie badawczym dotyczącym interakcji człowiek-sztuczna inteligencja. Przegląd ujawnił szereg słabo zdefiniowanych terminów, takich jak uczenie maszynowe, systemy inteligentne i systemy oparte na sztucznej inteligencji, co skłoniło ich do zaproponowania mapy złożoności projektu AI, definiującej cztery poziomy systemów AI. Zgodnie z tą mapą proste systemy probabilistyczne na poziomie 1 wykorzystują samodzielne zbiory danych do wygenerowania małego, stałego zestawu wyników, podczas gdy rozwijające się systemy adaptacyjne na poziomie 4 uczą się na nowych danych nawet po wdrożeniu, aby wygenerować adaptacyjne, otwarte wyniki, które oprzeć się abstrakcji. Na wszystkich czterech poziomach zakładano wykorzystanie algorytmów uczenia maszynowego czarnej skrzynki, które muszą wyjaśniać swoje wyniki użytkownikom końcowym – podejście, które jak dotąd spotkało się z jedynie ograniczonym sukcesem . Z kolei inne rodzaje systemów sztucznej inteligencji, które mogą dostarczać użytkownikom wyjaśnień (np. systemy eksperckie oparte na regułach), są w dalszym ciągu skuteczne i zapewniają cenne wyniki w takich dziedzinach, jak rachunki medyczne i e-administracja . Jak zaprezentujemy, wiedzę na temat procesów i technik twórczego myślenia można skodyfikować w formie reguł generatywnych. Podobnie różne odmiany systemów rozumowania opartego na przypadkach okazały się również skuteczne w rozwiązywaniu problemów w takich dziedzinach, jak opieka zdrowotna i prawo . Rzeczywiście, znaczenie studiów przypadków w myśleniu i edukacji biznesowej ujawnia potencjalną wartość rozumowania opartego na przykładach. Systemy sztucznej inteligencji, które wdrażają rozumowanie oparte na regułach i przypadkach, można traktować jako mieszczące się w zakresie narzędzi związanych z opieką zdrowotną i współtwórczymi narzędziami sztucznej inteligencji oraz umożliwiają podejście bardziej skoncentrowane na człowieku, wymagane dla bardziej zrozumiałej sztucznej inteligencji, jak wskazano w Ehsan i inni. Dlatego w oparciu o wyniki poprzednich badań staraliśmy się opracować alternatywny prototyp HCAI, który automatycznie manipulowałby skodyfikowaną wiedzą o kreatywności i dostępnymi informacjami cyfrowymi na temat typów modeli biznesowych.