Put Yourself in My Shoes: Revisiting the Moral Value of Algorithm Aversion Through Reciprocity and Vulnerability
Notice bibliographique
Résumé
Abstract This paper begins by exploring the phenomenon known as algorithm aversion, where users distrust AI and prefer human advice or decision-making even when they are aware of the algorithm’s superior performance. Current literature generally frames it as a misguided bias that harms decision accuracy and speed, likening it to a form of neo-Luddism. This view, however, overlooks the fact that the two groups (supporters and sceptics of algorithmic decisions) are speaking different moral languages: the supporters are outcome-orientated, arguing for accuracy and performance, while the sceptics offer a Kantian-position, that asks us to challenge the very precept that AI systems can be a decision-maker, or obligation-bearer, for decisions constrained by rights. To consider their position on the human-AI moral relationship, I take advantage of Korsgaard’s work on interspecies moral relationships, concluding that to be an obligation-bearer toward human right-holders, there needs to be a reciprocal reasons-giving relationship which AI in principle cannot fulfil. To meet objections that argue AI could eventually replicate the necessary moral agency requirements, I show that reciprocal relationships also call for constitutive symmetry, highlighting the importance of not only matching rationality, but also the vulnerability inherent in the human condition. With this account, algorithm sceptics are not misguided and have something morally important to say. This does not suggest eliminating AI entirely from decision processes. AI-assisted decision-making can be defended as long as a robust human-centred approach where genuine human control is upheld.
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 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,033 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».