人机信任建模（Human-AI Trust Modeling）是研究如何量化、分析和优化人类对人工智能系统信任程度的跨学科领域。它通过建立数学模型来刻画人类用户对AI系统可靠性、透明性和安全性的主观评估，其核心在于理解信任形成机制中技术因素（如算法准确性）与心理因素（如用户认知偏差）的交互作用。典型建模方法包括基于问卷调查的信任度评估框架、行为数据分析模型以及结合眼动追踪等生理指标的混合评估体系。
在产品开发实践中，信任建模直接影响用户采纳率与系统使用深度。例如在医疗诊断AI中，通过可视化决策路径提升模型可解释性，或在自动驾驶系统中设计渐进式责任转移机制，都能显著改善信任水平。当前研究前沿正探索如何将动态信任校准机制嵌入具身智能系统，使机器人能根据用户微表情实时调整交互策略。推荐延伸阅读《AI and Human Trust: Modeling and Applications》（Springer, 2022）中关于信任衰减曲线的实证研究部分。