How Humans and Machines Make Sense Together: Characteristics and Outcomes of a Case Survey Approach
Notice bibliographique
Résumé
There is a growing realization of Artificial Intelligence (AI)’s importance, including its ability to provide competitive advantage and change work for the better. Indeed, organizations are investing in various AI applications in the hope to automate or augment human judgment. Despite the promise of AI, many organizations’ efforts with it are falling short. Therefore, adopting the sensemaking theory as a theoretical lens, this study investigates under which conditions and how human and machine collaborations should be structured, to enhance each other’s capabilities and facilitate optimal strategical decision-making and operational effectiveness. A framework is developed based on the level of complexity of the context and the severity of wrong decisions and four types of human-machine sensemaking processes are proposed. The framework is validated through a qualitative meta-analysis of 48 case studies of AI and highlights the characteristics of the interaction process as well as its outcomes. Besides providing a new instrument for the analysis and assessment of human-AI interactions and controls, this research aids the development of guidelines and facilitates the move towards explainable AI (XAI) design, development, and practices.
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 | 0,026 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».