Impacts of cognitive forcing and need for cognition on biased AI-assisted decision making about mental health emergencies
Notice bibliographique
Résumé
Artificial intelligence (AI) trained to predict psychiatric inpatient violence may overestimate risks for marginalized groups, making it critical to find ways to mitigate reliance on biased AI in this context. One potential solution is Cognitive forcing (CF), or interventions that delay AI information or slow the decision-making process. Benefits of CF may be modulated by traits, such as Need for Cognition (NFC), or the tendency to engage with complex, cognitive tasks. To examine how CF and NFC impact AI-assisted decision-making about violence risk, we conducted two experiments. In Experiment 1, participants (n = 281) made decisions about violence risk based on vignettes describing various patients experiencing mental health emergencies, and they were randomized to view biased or unbiased AI recommendations. In Experiment 2, participants (n = 373) made similar decisions, and they were randomized to view biased AI recommendations with one of three CF interventions or no CF. All participants completed measures of NFC. In both experiments, participants made biased decisions (overestimating violence risk for marginalized patients) when viewing biased AI recommendations. In Experiment 2, CF interventions did not mitigate this decision-making bias; however, participants reporting high NFC were less likely to make biased decisions when viewing biased AI recommendations, compared to those with low NFC. CF may not effectively safeguard against the impact of biased AI in high-stakes settings, like acute mental health care, or for decisions about violence risk prediction, which are fraught with social or racial stereotypes. However, trait NFC may mitigate reliance on biased AI information, highlighting a role of psychological factors. Further research is needed into various factors that promote equitable AI-assisted decision-making for mental health.
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 | 0,006 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».