Using and Interacting with AI-Based Intelligent Technologies: Practical Applications on Autonomous Cars and Chatbots
Bibliographic record
Abstract
L'intelligence artificielle (IA) est souvent considérée comme l'une des innovations les plus prometteuses et perturbatrices de notre époque. Malgré son développement rapide, il existe encore un haut niveau d'incertitude quant à la manière dont les consommateurs vont adopter l'IA. Dans ce contexte, cette thèse de quatre articles vise à comprendre comment les consommateurs utilisent et interagissent avec les technologies intelligentes, en se concentrant en particulier sur deux applications: les chatbots et les véhicules autonomes (VA). Dans un premier temps, nous effectuons une analyse approfondie de la littérature marketing existante en adoptant les approches scientométriques et la méthode Theory-Context-Characteristics-Methodology. Ainsi, nous définissons nos questions de recherche concernant 1) les réactions cognitives et émotionnelles des consommateurs lorsqu'ils interagissent avec des technologies basées sur l'IA capables de simuler des conversations de type humain ; 2) les facteurs affectant l'intention des consommateurs d'utiliser des technologies basées sur l'IA, et leur évolution à travers les niveaux d'automatisation ; 3) les préoccupations éthiques des consommateurs envers les produits IA et leur effet sur la confiance et les intentions d'utilisation. En mettant en œuvre trois plans expérimentaux inter-sujets, nous répondons à notre première question de recherche en comparant les interactions humain-humain et humain-chatbot et les interactions avec des chatbots hautement anthropomorphes et faiblement anthropomorphes. Nous nous appuyons principalement sur la Théorie de l'Evaluation Cognitive des Emotions (Roseman et al. 1990), la Théorie de l'Attribution (Weiner 2000) et la Théorie de l'Anthropomorphisme (Aggarwal and McGill 2007 ; Epley et al. 2018), en montrant que les réponses des consommateurs diffèrent lorsqu'ils interagissent avec un humain et un chatbot, en fonction des différentes attributions de responsabilité et des différents niveaux d'anthropomorphisme. Ensuite, nous étudions la manière dont l'expérience des consommateurs avec différents niveaux d'automatisation affecte les perceptions des technologies basées sur l'IA. Nous utilisons les VA comme unité d'analyse, en intégrant le cadre UTAUT avec la Théorie de la Confiance (Mcknight et al. 2011), la Théorie du Calcul de la Vie Privée (Dinev et Hart 2006) et la Théorie du Bien-être (Diener 1999). Après la mise en œuvre d'un design intra-sujet avec des études sur le terrain et sur simulateur, les résultats suggèrent que la différenciation entre les différents niveaux d'automatisation joue un rôle clé pour mieux comprendre les facteurs d’adoption ainsi que les réactions cognitives lors de l'utilisation d'applications intelligentes. Enfin, nous étudions les préoccupations éthiques des consommateurs concernant les chatbots et les VA. Nous utilisons une approche mixte, en utilisant la modélisation thématique et la modélisation par équation structurelle. Nous montrons que pour les chatbots, la composante interactionnelle et émotionnelle de la technologie est prédominante, les consommateurs soulignant, entre autres, le design émotionnel et le manque d'adaptabilité comme principaux soucis éthiques. En revanche, pour les VA, les préoccupations éthiques concernent plutôt des perceptions cognitives liées à la transparence des algorithmes, à la sécurité de la technologie et à l'accessibilité. Notre recherche offre des contributions à la littérature émergente sur les comportements des consommateurs liés aux produits intelligents en soulignant la nécessité de prendre en compte la complexité des technologies d'IA à travers leurs différents niveaux d'automatisation et en fonction de leurs caractéristiques. Nous offrons également des contributions méthodologiques grâce à la mise en œuvre de plans de recherche expérimentaux innovants, utilisant des outils avancés et combinant des approches qualitatives et quantitatives. […]
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".