Mind the Robot! Variation in Attributions of Mind to a Wide Set of Real and Fictional Robots
Notice bibliographique
Résumé
The rapid rise of computing power has prompted the desire to develop more social, human-like robots. Quantitatively comparing different computing systems on their ability to simulate human qualities has been a major technical challenge. A recent framework put forth by Gray et al. (Science 315(5812):619, 2007. https://doi.org/10.1126/science.1134475 ) provides promise as a new means for comparing robots. While the framework has been validated for assessing individual robots with different descriptions, or different behaviours, the framework has not been applied to a wider landscape of robots and machines situated amongst other characters. The present study sought to investigate attributions of mind towards a wide range of real and fictional robots. We asked participants to rate the agency (the ability “to do”) and experience (the ability “to feel”) of 24 characters made up of humans, robots, inanimate objects, and animals. Although robots were collectively rated lower than humans on agency and experience, there was significant variation among robots—even when fictional robots were omitted. The results of this investigation suggest that building robots that are perceived to feel is a fruitful avenue for future development as people are more open to perceiving aspects of mind in a wider range of robots than previously established. Our results also indicate that age is a critical factor in people’s attributions of mind to robots, suggesting that there may be a generational shift towards greater acceptance of robots’ ability to both do and feel.
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 | 0,001 | 0,015 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».