"因为AI是100%正确和安全的":印度用户的态度和AI权威的来源
可解释人工智能(XAI)AI 辅助决策与自动化系统AI 伦理、公平与问责算法公平与偏见软件工程师与开发者数据科学家与分析师AI/ML 研究员与工程师
文献标题
"因为人工智能是 100% 正确且安全的":印度用户态度及 AI 权威性来源
文献信息
- 主题领域: 人工智能用户行为研究
- 关键词: 人工智能, 用户态度, 可信度, 算法决策, 印度, 社会影响, 人机交互, 文化特征, 算法权威, 负责任AI
研究背景与问题
-
作者发现了哪些问题或挑战?
- 现有研究主要集中于用户对人工智能的怀疑和有限接受态度,特别是欧美国家背景下的研究。然而,对于一些将人工智能视为发展工具的场景(如印度),对用户态度的研究较少。
- 人工智能在印度被认为具有权威性,能够影响用户行为,即使用户对其技术性能了解有限,这可能带来不可逆的个体和社会风险。
-
为什么这个问题很重要?
- 印度是全球第二大互联网用户国家,人工智能正迅速被部署到高风险领域(如医疗诊断、贷款审批和招聘)。了解用户对AI系统的态度对于设计负责任的人工智能至关重要。
-
研究动机与相关工作
- 扩展“算法权威”(algorithmic authority)的概念,探讨人工智能如何在印度获得文化上的合法性。
- 调查用户对AI权威性的态度及其来源,例如社会文化叙事对用户信任的影响。
解决方案
-
作者提出了哪些方法或解决方案?
- 采用混合研究方法:对 32 位印度互联网用户进行了半结构化访谈,并对 459 名调查对象进行了问卷调查。
- 定义人工智能权威:人工智能拥有影响人类行为的合法化权力,且不需要系统性能的充分证据。
-
该解决方案的创新之处是什么?
- 提出用户对人工智能的四种态度:信任、宽容、自责和感恩。
- 探讨人工智能权威的“外源性”来源,例如用户对不完善的人类机构的消极体验、技术乐观主义叙事以及可替代方案的缺乏。
-
实施步骤是什么?使用了哪些关键技术?
- 访谈研究: 以场景驱动,探索用户对人工智能的接受度及其对决策的信任和授权态度。
- 问卷研究: 使用 Likert 量表,测量用户对六种场景(医疗诊断、贷款审批、招聘等)的接受度。
- 数据分析: 使用定量分析和定性编码方法解释用户态度和影响因素。
研究成果
-
取得了哪些具体成果?
- 接受度高: 79% 的调查参与者对人工智能的决策表示接受,尤其是在低风险场景(84.1%),而高风险场景的接受度较低(73.8%)。
- 用户对人工智能的信任度明显高于对人类决策的信任,并表现出愿意在医疗诊断和金融建议上采取基于AI的高风险行为。
- 态度特征:
- 信任: 用户觉得人工智能具有90%-99%的“准确性”,认为“机器不会犯错误”。
- 宽容: 即使 AI 做出错误决策,用户往往认为问题在于开发人员或自身输入错误,而非算法本身。
- 自责: 用户倾向于将不利结果归因于自己的数据或行为,而非AI的技术不足。
- 感恩: 用户对人工智能感激,认为它提高了生活质量和便利性。
-
与现有解决方案相比,它有哪些优势?
- 研究不仅关注系统设计,还探讨社会文化叙述对人工智能权威的影响。
- 提供了关于如何重新定义成功指标和优化用户信任的方法建议。
-
实验或评估结果是什么?
- 高度接受人工智能的决策,并认为其决定较人类更公平和准确。女性、较高年龄段的用户及拥有较少互联网经验的用户对人工智能的接受度显著更高。
-
局限性与未来方向
- 局限性:
- 研究的样本仅限于印度,并且这些结果可能无法泛化到其他国家或用户群体。
- 采用了情景模拟,而非真实的用户互动数据。
- 未来方向:
- 扩大样本范围,研究其他地区用户对人工智能的态度。
- 测试如何在高风险的真实 AI 应用场景(例如即时贷款)中进行用户行为研究。
- 开发面向新兴互联网用户的AI教育项目,帮助用户建立更适当的期望。
- 局限性:
总结
本研究揭示了印度用户对人工智能的高度接受态度及其权威性来源。提出了用户的态度特征,并强调需要校准人工智能权威以减少滥用风险,同时通过构建AI能力的新规则和叙述来改善干预效果。这些发现为开发负责任的人工智能系统提供了重要的启示。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
help
研究问题
3- 在印度,用户如何看待人工智能(AI)的权威性?分类: 公众态度、社会接受与 AI 权威感知同类问题arrow_forward
- 用户对AI决策的信任和接受程度如何受到社会文化叙事的影响?分类: 公众态度、社会接受与 AI 权威感知同类问题arrow_forward
- 哪些外部因素促进了AI权威在印度用户中的建立?分类: 公众态度、社会接受与 AI 权威感知同类问题arrow_forward
lightbulb
现实痛点
1- 印度用户过度信任AI,可能在高风险场景中忽视潜在系统问题。分类: 公众态度、社会接受与 AI 权威感知同类问题arrow_forward
- 71%
改进机器学习系统中的公平性:行业从业者需要什么?
CHI '19· 可解释人工智能(XAI) +2
- 71%
AI调解的决策制定:捕捉和平衡顺序决策任务中的锚定偏差
CHI '22· 可解释人工智能(XAI) +2
- 71%
"人工智能提升我们的表现,我毫不怀疑这一点也会如此":安慰剂效应对于人工智能的负面描述具有稳健性
CHI '24· 可解释人工智能(XAI) +2
- 71%
无性别偏见的推荐效果——一项关于性别特定偏好的用户研究
CHI '25· 可解释人工智能(XAI) +2
- 63%
RiskRAG:一种改进AI模型风险管理报告的数据驱动解决方案
CHI '25· 可解释人工智能(XAI) +2
- 63%
“我认为负责任AI不适用于我的模型”——通过黏性故事吸引非 champion 参与负责任AI工作
CHI '26· AI 伦理、公平与问责 +2
- 63%
结果-可行动性差距:理解从业者如何在实际环境中评估 LLM 产品
CHI '26· 大语言模型(LLM)的人机协作 +2
- 63%
DataSpeck:一种人工智能驱动的端到端人机协作系统,用于实现数据转换工作流的自动化
CHI '26· 大语言模型(LLM)的人机协作 +2
- 63%
人们是否适当依赖人工智能建议?人机交互研究中关于人机决策的分析综述
CHI '26· AI 辅助决策与自动化系统 +2
- 63%
我们是否正在剥夺工作的乐趣?设计增强工作而非意义的AI
CHI '26· AI 辅助决策与自动化系统 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://dl.acm.org/doi/abs/10.1145/3491102.3517533
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2022
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 辅助决策与自动化系统、AI 伦理、公平与问责、算法公平与偏见
work
职业/产业
软件工程师与开发者、数据科学家与分析师、AI/ML 研究员与工程师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文