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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».