The Role of Self-Threat in the Decision to Use Algorithm Hiring Aids
Notice bibliographique
Résumé
Given their accuracy, reliability, and efficiency, algorithms are now a fundamental part of many decision-making processes in both personal and professional domains (Castelo et al., 2019; Prahl & Swol, 2016). They facilitate consumers’ decisions by providing information, suggestions, recommendations, or candidates (Hou & Jung, 2021). However, researchers find that employees are reluctant to use algorithm decision aids, referred to as algorithm aversion (Burton et al., 2020; Dietvorst et al., 2015). The current paper explores the role of self-threat in explaining and overcoming algorithm aversion within a hiring context. We reason that many employees perceive algorithms as threats to their self-concepts because these aids threaten core components of their working selves, such as autonomy, job roles, expertise, status, and job security. As a result, employees respond with a defensive aversion towards these algorithms. Through a randomized experiment, we show that when algorithm decision aids do not pose a threat to the self, employees are more likely to accept these aids and use them. This has implications for the literature on algorithm aversion because we proposed a new way of looking at the underlying cause of this aversion. Our paper also has practical implications as organizations can take steps when introducing algorithm aids to ensure they are not perceived as threats by employees, which can increase their acceptance and usage.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».