The Multidimensional Structure of Risk: How Dread and Control Shape Perceptions Toward Artificial Intelligence.
Notice bibliographique
Résumé
Studies of public opinion about new and emerging technologies are gaining momentum (Scheufele & Lewenstein, 2005; Cobb, 2005; Druckman & Bolsen, 2011; Zhang & Dafoe, 2019). At the centre of this emerging research agenda is a focus on people’s technological readiness (i.e., Liljander et al., 2006; Mankins, 2009) and evaluation of perceived risks (i.e., Macoubrie, 2004; Priest et al., 2010; Gallego et al., 2022). More recently, scholars have attempted to understand how one’s judgement about the seriousness or pervasiveness of new technologies impacts public acceptance (Renn & Benighaus, 2013), particularly given the salience of ChatGPT, which has raised concerns about academic integrity, personal security (Lund & Wang, 2023), and the spread of misinformation (Hsu & Thompson, 2023). Previous work suggests that individual risk evaluations have become increasingly multidimensional (Nelkin, 1989; Wildavsky & Dake, 1990; Cobb, 2005; Renn & Benighaus, 2013), with beliefs about familiarity and the technology’s degree of danger often serving as primary concerns. However, two recently overlooked dimensions with important theoretical implications for opinions about the extent to which new technologies should get adopted in society include perceived dread and control (Slovic, 1987). Cobb (2005) summarises these two dimensions as beliefs about the perceived magnitude of the risk posed by the new technology (i.e., dread) and its controllability, which refers to the perceived capacity to control the growth and outcome of the technology. Consequently, we leverage original data and a survey experiment fielded in Canada and Japan - the former a significantly understudied context for investigations of attitudes toward technology (Besley, 2013), to examine the following questions: • What is the nature of perceptions of dread and controllability concerns regarding artificial intelligence (A.I.) technology in Canada and Japan? • Who is most susceptible to beliefs about dread and controllability concerns posed by A.I. technology in these contexts? • How do frames showing varying degrees of the perceived magnitude and controllability of technological risks impact public opinion about adopting A.I.-based technology in society? And, does it vary by topic?
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».