How to Help Robots Take Over the World (in a Good Way): Media Influence on the Acceptance of New Technology
Notice bibliographique
Résumé
Past research has established that since robots are not yet common in Western society, most people’s views are based on how they are represented in science fiction versus current reality (Bruckenberger et al., 2013; Teo, 2021). This is the foundational problem for robots as a unique technology where common understanding is based on predisposed stereotypes from decades of pop culture, which can represent an impediment to acceptance. This paper acts as a case study on how media can be leveraged to influence audience acceptance of new technology such as social robots. I evaluate this by measuring the baseline of attitudes towards robots, probing the sources of these beliefs including how they are informed by pop culture, then subsequently quantifying how exposure to nonfiction media can reshape these embedded notions. The goal is to test if there is a lift in positive sentiment when shown marketing videos of an existing robot Pepper by Softbank Robotics. This study had mixed results revealing there is a high degree of skepticism in audiences regarding robots which is a hurdle that must be addressed and overcome to effectively integrate into future society. This MRP is a first account at developing insights for companies and governments on how to successfully drive acceptance of this new technology to facilitate successful HumanRobot Interaction (HRI). The goal is to situate HRI at the intersection of media theory, to analyze diffusion of innovation from a perspective of audience, influence, and acceptance.
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 | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».