People Do Not Always Know Best: Preschoolers’ Trust in Social Robots
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we investigated whether Canadian preschoolers prefer to learn from a competent robot over an incompetent human using the classic trust paradigm. An adapted Naive Biology task was also administered to assess children’s perception of robots. In Study 1, 3-year-olds and 5-year-olds were presented with two informants; A social, humanoid robot (Nao) who labeled familiar objects correctly, while a human informant labeled them incorrectly. Both informants then labeled unfamiliar objects with novel labels. It was found that 3-year-old children equally endorsed the labels provided by the robot and the human, but 5-year-old children learned significantly more from the competent robot. Interestingly, 5-year-olds endorsed Nao’s labels even though they accurately categorized the robot as having mechanical insides. In contrast, 3-year-old children associated Nao with biological or mechanical insides equally. In Study 2, new samples of 3-year-olds and 5-year-olds were tested to determine whether the human-like appearance of the robot informant impacted children’s trust judgments. The procedure was identical to that of Study 1, except that a non-humanoid robot, Cozmo, replaced Nao. It was found that 3-year-old children still trusted the robot and the human equally and that 5-year-olds preferred to learn new labels from the robot, suggesting that the robot’s morphology does not play a key role in their selective trust strategies. It is concluded that by 5 years of age, preschoolers show a robust sensitivity to epistemic characteristics (e.g., competency), but that younger children’s decisions are equally driven by the animacy of the informant.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 découle