How Algorithmic Literacy and Demographic Background Shape Public Attitudes on AI
Notice bibliographique
Résumé
The rapid advancement of Artificial Intelligence (AI) technologies has driven significant global investments and numerous government-led initiatives aimed at enhancing public awareness and knowledge of AI.Countries like Canada are at the forefront of these efforts, seeking to foster widespread adoption by improving algorithmic literacy.However, the relationship between algorithmic literacy, Internet usage, and societal attitudes toward algorithms remains insufficiently understood.This thesis investigates how socioeconomic background shapes Internet usage, how Internet usage influences algorithmic literacy, and how these factors collectively impact attitudes toward algorithms.Using data from an online survey of N = 2,025 participants across Canada, the findings reveal that younger and more educated individuals engage more frequently online, resulting in higher levels of algorithmic literacy.Paradoxically, increased algorithmic literacy is associated with more critical attitudes toward algorithms, reflecting heightened awareness of their limitations and biases.Furthermore, the analysis demonstrates that demographic factors, particularly age and education, indirectly influence attitudes toward algorithms through mediated pathways involving Internet usage and algorithmic literacy.These results highlight the complex interplay between literacy and trust, suggesting that improving public attitudes toward algorithms requires not only literacy initiatives but also systemic interventions that address issues such as transparency and fairness.This research provides insights for policymakers, educators, and researchers seeking to foster equitable and informed public engagement with AI technologies while addressing their societal implications.i I would like to thank Mila -Quebec's AI Institute for their financial support of 25,000$ for data collection.Their prompt belief in the project and ability to provide funding on short notice were invaluable.
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 | 0,002 | 0,014 |
| 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 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».