人工智能（AI）系统越来越多地用于提供建议以促进人类决策。尽管大量工作探讨了如何优化AI系统以产生准确且公平的建议以及如何向人类决策者提供算法建议，但在这项工作中，我们提出了一个不同的基本问题：何时应该提供建议？由于当前不断提供算法建议的局限性的限制，我们提出了以双向方式与人类用户互动的AI系统的设计。我们的AI系统学习使用过去的人类决策为政策提供建议。然后，对于新案例，学识渊博的政策利用人类的意见来确定算法建议将是有用的案例，以及人类最好单独决定的情况。我们通过使用美国刑事司法系统的数据对审前释放决策进行大规模实验来评估我们的方法。在我们的实验中，要求参与者评估被告违反其释放条款的风险，如果释放，并受到不同建议方法的建议。结果表明，与固定的非交互式建议方法相比，我们的交互式辅助方法可以在需要时提供建议，并显着改善人类决策。我们的方法在促进人类学习，保留人类决策者的互补优势以及对建议的更积极反应方面具有额外的优势。

我们考虑估算人类代理偏好的问题，从战略系统数据反复相互作用。最近，证明了一种称为“量子遗憾”的新估计方法，对人类代理的估计比假设代理是合理的并且达到纳什均衡的经典方法产生更准确的估计;然而，这种方法尚未与考虑人类戏剧行为方面的方法进行比较。在本文中，我们为此目的利用行为经济学的均衡概念，并询问它们与量子后悔和纳什均衡方法相比的操作。我们开发了基于建立的行为均衡模型的四种估计方法，从观察到的正常形式游戏数据中推断人类的公用事业。我们研究的均衡模型是量子响应平衡，动作采样平衡，回报采样平衡和脉冲平衡平衡。我们表明，在这些概念中的一些概念中，推断通过封闭式公式进行分析地实现，而在其他方面则在其他方面只能算法算法。我们使用2x2游戏的实验数据来评估这些行为均衡方法的估计成功。结果表明，它们产生的估计比纳什均衡的估计更准确。与量子后悔方法的比较表明，行为方法具有更好的击中率，但模量遗憾的方法在整体平均平均误差方面表现更好，我们讨论了方法之间的差异。