The Effect of Humanizing <scp>Robo‐Advisors</scp> on Investor Judgments*
Notice bibliographique
Résumé
ABSTRACT We examine the effect of humanizing (naming) robo‐advisors on investor judgments, which has taken on increased importance as robo‐advisors have become increasingly common and there is currently little SEC regulation governing key aspects of their use. In our first experiment, we predict and find that investors are more likely to rely on the investment recommendation of an unnamed robo‐advisor, whereas they are more likely to rely on the investment recommendation of a named human advisor. Theory suggests one reason that naming a robo‐advisor may have drawbacks pertains to the complexity of the task the robo‐advisor performs. We explore the importance of task complexity in our second experiment. We predict and find that investors are less likely to rely on a named robo‐advisor when the advisor is perceived to be performing a relatively complex task, consistent with our first experiment, and more likely to rely on a named robo‐advisor when the advisor is perceived to be performing a relatively simple task, consistent with prior research on human‐computer interactions. Our findings contribute to the literature examining how technology influences the acquisition and use of financial information and the general literature on human‐computer interactions. Our study also addresses a call by the SEC to learn more about robo‐advisors. Lastly, our study has practical implications for wealth management firms by demonstrating the potentially negative effects of making robo‐advisors more humanlike in an attempt to engage and attract users.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».