Identifying the Public's Beliefs About Generative Artificial Intelligence: A Big Data Approach
Notice bibliographique
Résumé
In an era where generative AI (GenAI) is reshaping industries, public understanding of this phenomenon remains limited. This study addresses this gap by analyzing public beliefs about GenAI using the Technology Acceptance Model and Diffusion of Innovations Theory as frameworks. We adopted a big-data approach, utilizing machine-learning techniques to analyze 21,817 public comments extracted from an initial set of 32,707 on 44 YouTube videos discussing GenAI. Our investigation surfaced six pivotal themes: concerns over job and economic impacts, GenAI's potential to revolutionize problem-solving, its perceived shortcomings in creativity and emotional intelligence, the proliferation of misinformation, existential risks, and privacy decay. Emotion analysis showed that negative emotions dominated at 58.46%, including anger (22.85%) and disgust (17.26%). Sentiment analysis echoed this negativity, with 70% negative. The triangulation of thematic, emotional, and sentiment analyses highlighted a polarized public stance: recognition of GenAI's transformative potential is tempered by significant concerns about its implications. The findings offer actionable insights for engineering managers and policymakers. Strategies such as awareness-building, transparency, public engagement, balanced communication, governance, and human-centered development can address polarization and build trust. Ongoing research into public opinion remains essential for aligning technological advancements with societal expectations 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 | 0,014 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».