Illusions of Confidence in Artificial Systems
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
To effectively communicate and collaborate with others, we must monitor not only other people’s cognitive states (e.g., what someone thinks or believes), but also their metacognitive states (e.g., how confident they are in their beliefs). Confidence is however rarely communicated explicitly: instead, we often perceive others’ confidence via implicit signals such as speech prosody or movement dynamics. Recent advances in artificial intelligence (AI) have broadened the scope of these metacognitive inferences: artificial agents often perform similarly to humans yet rarely explicitly signal their confidence in their beliefs, raising the question as to how humans attribute confidence to AI. Here we report five pre-registered experiments in which participants observed human and artificial agents make perceptual choices, and reported how confident they thought the observed agent was in each choice. Overall, attributions of confidence were sensitive to observed variables such as task difficulty, accuracy, and response time. Strikingly, participants attributed higher confidence to AI agents compared to other humans, even though their behaviour was identical. An illusion of greater confidence in artificial agents’ decisions generalised across different behavioural profiles (Experiment 2), agent descriptions (Experiment 3), and choice domains (Experiment 4). Attributions of confidence also influenced advice-taking behaviour, as participants were more willing to accept the advice of artificial systems compared to matched humans (Experiment 5). Overall, our results uncover a systematic illusion of confidence in AI decisions, and highlight the importance of metacognition in guiding human-machine interactions.
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) | 0,000 | 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 découle