본 논문은 인간과 AI 모델과 같은 다수의 에이전트가 상호 작용하여 의사결정을 하는 상황에서, 각 에이전트가 사용하는 정보와 전략에 대한 이해를 바탕으로 성능을 향상시키는 방법을 제시합니다. 특히 인간-AI 협업에 초점을 맞춰, 의사결정 워크플로우에서 정보의 가치를 특징짓는 의사결정 이론적 프레임워크를 제시하고, 인간을 보완하는 정보를 강조하는 새로운 설명 기법인 ILIV-SHAP을 제안합니다. 실험을 통해 프레임워크와 ILIV-SHAP의 효과를 검증하고, 보완적인 정보 측정을 이용하여 인간의 의사결정을 가장 잘 보완하는 AI 모델을 식별할 수 있음을 보여줍니다. 또한, ILIV-SHAP을 사용하여 AI 예측 결과를 제시하는 것이 기존 SHAP보다 오류 감소에 더 효과적임을 확인합니다.