“That is scary!”: consumer perceptions and discourses on ChatGPT
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
Purpose The rise of conversational artificial intelligence (AI) bots such as ChatGPT highlights users’ anxieties and high expectations. This study aims to explore consumers’ views of AI conversational bots and examines their societal implications, emphasizing public perception as a fundamental factor in their acceptance and integration. Design/methodology/approach This study combines manual and automated thematic analysis to understand public sentiment by analyzing 45,844 YouTube comments. The comments are collected from the top five nonsponsored English-language YouTube videos on ChatGPT, with comments extracted using Octoparse. Key themes and their relationships are identified through manual coding and further analyzed using Leximancer to enhance the depth and accuracy of the analysis by detecting patterns in large data sets. Findings The analysis reveals three primary areas: empowerment through AI-enhanced capabilities, anxiety over AI-induced societal shifts and negotiating human–AI collaboration. Concerns are expressed about misinformation, privacy and the impact of AI on employment and human skills. Conversely, positive perceptions highlight AI’s role in education, personal productivity and medical diagnosis. These themes categorize public sentiment into techno-skepticism, techno-realism and techno-optimism, demonstrating the complex and diverse opinions on AI technology. Originality/value This research bridges AI’s technical aspects with its social and ethical dimensions, providing a comprehensive understanding of public sentiment towards ChatGPT. It underscores the importance of examining consumer views as a foundational step in understanding AI’s broader societal impacts.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle