人类和机器算法具有互补的优势和劣势。每种算法都使用不同的信息来源和策略来做出预测和决策，共同作者、UCI 认知科学教授 Mark Steyvers 说。我们通过经验证明和理论分析表明，即使人类的准确度略低于人工智能的准确度，人类也可以改进人工智能的预测反之亦然。这种准确度高于结合两个或两个人的预测人工智能算法。
为了测试该框架，研究人员进行了一项图像分类实验，其中人类参与者和计算机算法分别工作，以正确识别动物和日常用品(椅子、瓶子、自行车、卡车)的扭曲图片。人类参与者将他们对每个图像识别准确性的信心分为低、中或高，而机器分类器则生成一个连续的分数。结果显示，跨图像的人类和人工智能算法之间的置信度存在很大差异。
在某些情况下，人类参与者非常有信心，例如，一张特定的图片包含一把椅子，而人工智能算法对图像感到困惑，共同作者、UCI 校长计算机科学教授帕德拉克史密斯说。同样，对于其他图像，人工智能算法能够自信地为显示的对象提供标签，而人类参与者不确定扭曲的图片是否包含任何可识别的对象。
当使用研究人员的新贝叶斯框架将两者的预测和置信度得分结合起来时，混合模型比单独实现的人类或机器预测具有更好的性能。