Explanation seeking and anomalous recommendation adherence in human‐to‐human versus human‐to‐artificial intelligence interactions
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
Abstract The use of artificial intelligence (AI) in operational decision‐making is growing, but individuals can display algorithm aversion, preventing adherence to AI system recommendations—even when the system outperforms human decision‐makers. Understanding why such algorithm aversion occurs and how to reduce it is important to ensure AI is fully leveraged. While the ability to seek an explanation from an AI may be a promising approach to mitigate this aversion, there is conflicting evidence on their benefits. Based on several behavioral theories, including Bayesian choice, loss aversion, and sunk cost avoidance, we hypothesize that if a recommendation is perceived as an anomalous loss, it will decrease recommendation adherence; however, the effect will be mediated by explanations and differ depending on whether the advisor providing the recommendation and explanation is a human or an AI. We conducted a survey‐based lab experiment set in the online rental market space and found that presenting a recommendation as a loss anomaly significantly reduces adherence compared to presenting it as a gain, however, this negative effect can be dampened if the advisor is an AI. We find explanation‐seeking has a limited impact on adherence, even after considering the influence of the advisor; we discuss the managerial and theoretical implications of these findings.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle