Elena Glassman是哈佛大学的计算机科学家和教授，她在人机交互（HCI）与机器学习的交叉领域领导研究工作。她的工作重点在于开发工具和技术，使复杂的AI系统对包括程序员、设计师和非专家在内的广泛用户更加透明、可解释和可访问。她尤其以在交互式机器学习、神经网络可视化以及支持人类理解算法输出的系统方面的贡献而闻名。
在计算机科学领域，Glassman获得了卡内基梅隆大学的本科学位，以及麻省理工学院计算机科学与人工智能实验室（CSAIL）的博士学位。她的博士研究由Rob Miller指导，探索了编程和调试的新界面，这为她后来在可解释AI方面的工作奠定了基础。完成博士学位后，她加入了哈佛大学工程与应用科学学院的教职团队，并建立了人机交互与机器学习（HCI-ML）实验室。
机器学习的交互式可视化
Glassman研究的一个核心主题是开发交互式可视化，帮助人们理解神经网络如何做出决策。她的实验室创建了工具，让用户能够探测模型行为、检查学习到的特征，并识别潜在的偏见或错误。例如，她在“分层”和“视觉调试”模型方面的工作使从业者能够看到输入的哪些部分影响模型的输出，从而使深度学习的“黑箱”性质更加透明。这些工具旨在用于实际场景，如调试大型语言模型或分析医学影像数据。
以人为中心的AI与众包
Glassman还在以人为中心的AI领域做出了重要贡献，特别是在使用众包来改进机器学习系统方面。她的研究探讨了如何有效地让非专家工作者参与数据标注、模型评估甚至算法设计等任务。她开发了“众包规模的调试”框架，让许多人协作识别和修复AI系统中的错误。这种方法不仅提高了模型的准确性，还提供了一种将多样化的人类视角纳入AI开发过程的方式。
面向程序员和设计师的工具
Glassman工作的另一个领域涉及创建连接机器学习与软件开发的工具。她构建了一些系统，帮助程序员理解和调试使用ML API的代码，并协助设计师创建面向AI驱动应用的界面。她的研究经常涉及研究开发人员如何构思和与模型交互，从而设计出新颖的调试界面和测试方法论。随着生成式AI工具日益融入日常软件开发工作流，这项工作尤为重要。
教育计划与公众参与
除了研究之外，Glassman还致力于AI教育和公众参与。她在哈佛开发了课程，教授学生机器学习的技术基础以及评估AI系统所需的关键思维技能。她还倡导广泛普及AI素养，经常发表演讲和撰写关于理解AI局限性和社会影响重要性的文章。她的教学获得了奖项认可，并且她经常指导学生在学术界和工业界发展职业生涯。
认可与未来方向
Glassman的工作已在包括CHI、UIST和NeurIPS在内的顶级人机交互和机器学习会议发表，并多次获得最佳论文奖。她还获得了来自国家科学基金会等组织的早期职业奖项。她目前的研究方向包括探索如何使transformer等模型更加强调可解释性，开发人机循环中的新学习方法，以及调查在大型场景中部署AI的伦理影响。截至2020年代中期，她的实验室继续推动人与机器之间有效协作的边界，重点确保AI技术不仅高效，而且最可理解和可信赖。