Hur attityder gentemot AI-rekommendationer påverkas av jämförelse med mänskliga rekommendationer : Word-of-machine effect i relation till distinktionsbias

Abstract

Dagens samhälle står för närvarande inför en ökning av AI-baserad assistans. Med grund i detta har det blivit centralt att ta reda på hur människan ställer sig till användningen av dessa system. Forskning kring detta, mer specifikt kring AI-baserade rekommendationer, har visat att människor tenderar att acceptera dessa mer när kriterierna består av funktionella och icke-sensoriska värden, medan denna typ av rekommendation accepteras mindre när kriterierna är affektionsdrivna. En teori som skapats ur sådan forskning är bland annat word-of-machine effect, som beskriver just detta fenomen. En gemensam faktor för forskning som undersökt detta fenomen är metodiken där AI ställts i jämförelse med människan. Den här studien har därför valt att undersöka om det är distinktionsbias, med grund i word-of-machine effect, som påverkar människan till en negativare syn gentemot AI. Distinktionsbias beskriver hur människan utvärderar alternativ olika om de står separat kontra i jämförelse med andra alternativ. Ett experiment med en 2x2 mixad design genomfördes med 125 deltagare. Med fyra hypoteser som underlag visade analysen på word-of-machine effect som en robust teori samt att jämförelser av mänskliga egenskaper inte påverkar människor till en negativare attityd gentemot AI. Slutsatsen som dragits innebär därmed att kriterierna kring den rekommenderade produkten är viktiga för människans syn på AI och är därmed även av praktisk betydelse för företag. Avslutningsvis fanns det alltjämt en skillnad i hur deltagarna evaluerade AI separat samt jämfört med människan, där AI blev mer accepterat i det senare vilket är intressant för vidare forskning.