Les facteurs clés influençant les préoccupations liées à la vie privée dans le cas d'un robot conversationnel : le rôle de creepiness
Bibliographic record
Abstract
D’ici 2024, le taux de croissance annuel du marché mondial des chatbots approcherait 24,3% (AMA, 2020). Cette nouvelle réalité nous amène à constater l’importance de la présence des chatbots au niveau du paysage d’affaires. De ce fait, introduire une solution intelligente (le chatbot dans notre étude) s’avère avantageuse autant pour l’entreprise que pour ses clients. Toutefois, ces médiums, dit robots conversationnels, sont susceptibles de soulever des préoccupations liées à la vie privée de l’individu. De ce fait, notre travail s’articule autour du développement d’un modèle conceptuel des facteurs clés qui favorisent ou défavorisent la formation des préoccupations liées à la vie privée lors de l’interaction avec un chatbot dans le secteur de l’assurance (automobile). Plusieurs études se sont, certes, intéressées à ce sujet et ont proposé des antécédents expliquant, partiellement ou intégralement, les préoccupations liées à la vie privée. Toutefois, le creepiness, désignant un sentiment de perplexité et de trouble entraîné par une technologie de pointe (p.ex. Le chatbot) (Keenan, 2014), n’a pas été affilié, à notre connaissance, au contexte de l’interaction avec un chatbot dans le domaine d’assurance (automobile). Cette recherche se distingue par son recours à une approche multiméthodes pour la collecte des données. Ainsi, une simulation de soumission d’assurance au moyen de chatbot a été, d’abord, réalisée, durant laquelle des questions ont été posées afin d’établir les informations de base de la demande d’assurance automobile. Les données finales exploitées dans cette étude ont été collectées auprès de 430 membres canadiens d’un panel en ligne. Ensuite, un questionnaire d’évaluation dont les résultats sont exploités aux fins de notre étude a été élaboré. Les résultats de cette recherche, montrent que le creepiness lors de l’utilisation du chatbot a l’impact positif le plus important sur les préoccupations liées à la vie privée. Également, la vulnérabilité perçue et les préoccupations globales liées à la collecte des informations personnelles de l’individu influencent positivement les préoccupations liées à la vie privée. En revanche, la familiarité n’a pas d’effet significatif sur celles-ci. En général, il s’est avéré que les hommes ont des niveaux de creepiness et de vulnérabilité perçue plus élevés que les femmes, ce qui explique leurs préoccupations liées à la vie privée plus prononcées, que celles des femmes. Des implications théoriques et managériales ont été avancées après la discussion des résultats obtenus, ainsi que certaines avenues de recherche. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Chatbot, préoccupations liées à la vie privée en ligne, creepiness lors de l’utilisation du chatbot, approche multiméthode, secteur de l’assurance automobile
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".