Robo-Advice (RA): implications for the sociology of the professions
Notice bibliographique
Résumé
Purpose This conceptual paper explores the implications for the sociology of the professions of robo-advice (RA) provided by robo-advisors (RAs) as an early example of successfully programmed algorithmic knowledge managed by artificial intelligence (AI). Design/methodology/approach The authors examine the drivers of RAs, their success, characteristics, and establish RA as an early precursor of commercialized, programmed professional advice with implications for developments in the sociology of the professions. Findings Within the lens of the sociology of the professions, the success of RAs suggests that the diffusion of this innovation depends on three factors: the programmed flows of automated professional knowledge are minimally disruptive, they are less costly, and attract attention because of the “on-trend” nature of algorithmic authority guided by AI. The on-trend nature of algorithmic governance and its increasing public acceptance points toward an algorithmic paradox. The contradictions arise in the gap between RA marketed to the public and as a set of professional practices. Practical implications The incursion of RA-like disembodied advice into other professions is predicted given the emergence of tech-savvy clients, the tie between RA and updatable flows of big data, and an increasing shift to the “maker” or “do-it-yourself” movements. Originality/value Using the success of RAs in the financial industry, the authors predict that an AI-managed platform, despite the algorithmic paradox, is an avenue for growth with implications for researchers in the sociology of the professions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».