Novice risk work: How juniors coaching seniors on emerging technologies such as generative AI can lead to learning failures
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
Historically, junior professionals have mentored senior professionals around new technologies, because juniors are typically more willing than seniors to perform lower-level tasks to learn new skills, better able than seniors to engage in real-time experimentation close to the work itself, and more willing than seniors to learn innovative methods that conflict with traditional identities and norms. However, we know little about what happens when emerging technologies have a high level of uncertainty in their use, because they have wide-ranging capabilities and are exponentially changing. With the rise of Artificial Intelligence, specifically learning algorithms and LLMs, such contexts may be increasingly common. In our study conducted with the Boston Consulting Group, a global management consulting firm, we interviewed 78 junior consultants in July–August 2023 who had recently participated in a field experiment that gave them access for the first time to generative AI (GPT-4) for a strategic business problem solving task. Drawing from junior professionals' in situ reflections soon after the experiment, we found that junior professionals may fail to manage risks around uncertain emerging technologies because juniors are likely to recommend three kinds of novice risk work tactics that: 1) are grounded in a lack of deep understanding of technologies that have uncertain and wide-ranging capabilities and are changing exponentially, 2) focus on change to human routines rather than system design, and 3) focus on interventions at the project-level rather than system deployer- or ecosystem-level. The implications of novice risk work are that, when junior professionals are expected to be a source of expertise in the use of uncertain, emerging technologies, this can lead to learning failures. This study contributes to our understanding of occupational learning around emerging technologies, risk work in organizations, and human-computer interaction. • Junior professionals may fail to be a source of expertise for seniors in GenAI use. • Juniors' focus on human routines and project-level work fails to manage novel risks. • GenAI risk work must target developers and system deployers in addition to users. • And it must target data, models, and infrastructure in addition to human routines. • GenAI requires system-level intervention for most effective organizational use.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 découle