بازگشت به کتابخانه

پرسش کلیدی جدید

پردازش‌شده با هوش مصنوعی · تأییدشده توسط نویسنده

مواجهه مکرر با توصیه‌های هوش مصنوعی چگونه تصمیم‌گیری افراد را تغییر می‌دهد و چه کسانی بیشترین تأثیر را می‌پذیرند؟

Algorithmic Reshaping of Human Cognition: Quantifying Latent Preference Adaptation in Human-AI Collaboration via Inverse Reinforcement Learning
Jinyan Duan, chenyang fan, Liang Zhao, و همکاران · International Conference on Information Systems (ICIS) · 2026
تصویر برای: مواجهه مکرر با توصیه‌های هوش مصنوعی چگونه تصمیم‌گیری افراد را تغییر می‌دهد و چه کسانی بیشترین تأثیر را می‌پذیرند؟

پخش‌کننده Spotify بارگذاری می‌شود؛ ممکن است Spotify کوکی‌هایی تنظیم کند. این دستگاه انتخاب شما را به خاطر می‌سپارد.

یافته‌های کلیدی

  • انتخاب‌های شرکت‌کنندگان و پارامترهای استنتاج‌شده وزن تصمیم‌گیری در طول دوره‌ها به‌طور نظام‌مند به سوی منطق الگوریتمی همگرا شد که با کاهش تاخیر تصمیم‌گیری و تنظیمات کمتر همراه بود.
  • در مراحل پایانی تعامل، شرکت‌کنندگان برون‌سپاری ریسک را بروز دادند، به‌طوری که با غلبه اتکا به الگوریتم، ریسک‌گریزی پایه آن‌ها دیگر تأثیر معناداری بر انتخاب‌هایشان نداشت.
  • اعتماد اولیه بالاتر به فناوری خودکار، همگرایی به سمت توصیه‌های الگوریتمی را به‌طور معناداری تقویت کرد.
  • تجربه قبلی بیشتر در سرمایه‌گذاری و سواد مالی بالاتر به‌طور معناداری همگرایی را تضعیف کرد و قضاوت مستقل را حفظ نمود.

معنای آن برای شما

مدیر ارشد فناوری اطلاعات

Mandate that enterprise AI deployment frameworks include mandatory periodic 'friction' features—such as forcing users to manually input key risk parameters every 10 interactions—to prevent automated risk outsourcing and cognitive convergence.

مدیر فناوری اطلاعات

Audit current dashboard configurations in your team's workflows to introduce a 3-second mandatory review delay before executing AI-recommended financial decisions, breaking the loop of declining decision latency.

استراتژیست کسب‌وکار

Revise employee onboarding programs this week by adding a mandatory financial literacy and domain expertise module to shield junior staff from premature algorithmic preference adoption.

پژوهشگر

Design a longitudinal user study tracking cognitive latency and decision-weight parameters using Inverse Reinforcement Learning to isolate the exact round threshold where human risk aversion collapses.

سیاست‌گذار

Draft regulatory compliance guidelines requiring high-stakes AI systems in financial sectors to explicitly quantify and display user reliance metrics and algorithmic convergence rates.

خلاصه

این مطالعه به بررسی این موضوع می‌پردازد که چگونه تعامل مکرر با توصیه‌های الگوریتمی، منطق زیربنایی تصمیم‌گیری افراد را در طول زمان دگرگون می‌سازد. نویسندگان یک آزمایش شبیه‌سازی‌شده سرمایه‌گذاری مالی در ۵۰ دور با ۲۱۲ شرکت‌کننده و ۱۰،۶۰۰ تصمیم را اجرا کرده و انتخاب‌های رفتاری، تاخیر شناختی و تعاملات رابط کاربری را ثبت نمودند. آن‌ها با استفاده از یادگیری تقویتی معکوس مبتنی بر حداکثر آنتروپی و مدل‌های رگرسیون تابلویی، چگونگی تغییر وزن ترجیحات نهفته شرکت‌کنندگان به سوی الگوریتم را استنتاج کردند.

مسئله

بیشتر پژوهش‌های همکاری انسان و هوش مصنوعی، ترجیحات تصمیم‌گیری و معیارهای ریسک انسانی را به‌عنوان مبنایی ایستا در نظر می‌گیرند و صرفاً بر پذیرش یا رد توصیه‌ها در یک مقطع زمانی متمرکز هستند. این امر شکافی را در درک چگونگی بازشکل‌دهی تدریجی قوانین درونی تصمیم‌گیری بر اثر مواجهه مداوم با الگوریتم‌ها در محیط‌های پیچیده و با ریسک بالا ایجاد می‌کند.

متن گفتار
Host: سلام به شنوندگان گرامی. به پادکست A.I.S. Insights خوش آمدید. من آنا آیوی سامرز هستم و امروز به همراه الکس ایان ساترلند، به بررسی نتایج یک مطالعه می‌پردازیم. این مطالعه تحت عنوان «بازشکل‌دهی الگوریتمی شناخت انسان: سنجش کمّی انطباق ترجیحات نهفته در همکاری انسان و هوش مصنوعی از طریق یادگیری تقویتی معکوس» توسط Jinyan Duan، chenyang fan، Liang Zhao، Siyu Qi، Chong Wu و LU DAI تدوین شده و در کنفرانس بین‌المللی سیستم‌های اطلاعاتی، ICIS سال ۲۰۲۶، ارائه گردیده است.
Expert: سلام آنا. موضوع محوری این مطالعه این است که تعامل مستمر با سامانه‌های هوش مصنوعی چگونه منطق درونی و ترجیحات تصمیم‌گیری افراد را در طول زمان بازتنظیم می‌کند.
Host: الکس، مسئله‌ای که سازمان‌ها و مدیران با آن روبرو هستند چیست؟ معمولاً تصور بر این است که انسان‌ها معیارهای ثابتی برای سنجش ریسک دارند.
Expert: در پژوهش‌های معمولِ حوزه تعامل انسان و هوش مصنوعی، ترجیحات تصمیم‌گیری و تمایلات ریسک افراد به صورت ایستا در نظر گرفته می‌شوند و تمرکز فقط بر روی پذیرش یا رد مقطعی توصیه‌ها است. اما در محیط‌های کاری با ریسک بالا، تصمیم‌گیرندگان به صورت مداوم با پیشنهادات الگوریتمی سر و کار دارند. تا پیش از این مطالعه، چگونگی تغییر تدریجی و انطباق معیارهای شناختی انسان در برابر الگوریتم‌ها به شکل کمّی بررسی نشده بود.
Host: نویسندگان برای مدل‌سازی این مسئله چه روشی را پیاده‌سازی کردند؟
Expert: روش کار بر پایه یک آزمایش تجربی شبیه‌سازی سرمایه‌گذاری بود که در ۵۰ دور متوالی طراحی شد. در این آزمایش ۲۱۲ نفر شرکت کردند و در مجموع ۱۰،۶۰۰ تصمیم سرمایه‌گذاری همراه با ثبت زمان پاسخ و الگوهای تعامل در رابط کاربری مورد بررسی قرار گرفت. تحلیل داده‌ها از طریق یادگیری تقویتی معکوس مبتنی بر حداکثر آنتروپی و رگرسیون تابلویی انجام شد تا وزن‌های نهفته تصمیم‌گیری انسان در هر مرحله محاسبه شود.
Host: تحلیل داده‌ها چه یافته‌های مشخصی را نشان داد؟
Expert: تحلیل‌ها نشان داد که به مرور زمان، اولویت‌ها و وزن‌های تصمیم‌گیری افراد به شکل معناداری به سمت منطق الگوریتم میل می‌کند. همزمان با این همگرایی، مدت‌زمان تامل افراد قبل از ثبت تصمیم کوتاه‌تر شد و تعداد دفعاتی که پیشنهاد هوش مصنوعی را ویرایش می‌کردند به وضوح کاهش یافت.
Host: این همگرایی بر نگرش افراد نسبت به ریسک چه پیامدی داشت؟
Expert: مطالعه نشان داد که در مراحل پایانی، پدیده‌ای به نام برون‌سپاری ریسک شکل می‌گیرد؛ به این معنا که وابستگی به پیشنهاد الگوریتم چنان غالب می‌شود که میزان ریسک‌گریزی فردیِ شرکت‌کنندگان دیگر اثر معناداری بر تصمیمات ندارد. همچنین، شرکت‌کنندگانی که اعتماد اولیه بیشتری به فناوری داشتند، همگرایی سریع‌تری را به سمت الگوریتم نشان دادند. در مقابل، داشتن سواد مالی بالاتر و سابقه قبلی در سرمایه‌گذاری، اثر همگرایی را به طور معناداری تضعیف کرد و باعث حفظ قضاوت مستقل شد.
Host: این یافته‌ها از دیدگاه مدیریت کسب‌وکار و پیاده‌سازی سیستم‌های هوش مصنوعی چه کاربردی دارند؟
Expert: پیامد مستقیم این مطالعه برای سازمان‌ها این است که نباید قضاوت تخصصی کارشناسان را یک اهرم نظارتی تغییرناپذیر فرض کرد. زمانی که کارکنان به شکل پیوسته از دستیاران هوش مصنوعی استفاده می‌کنند، ممکن است به مرور تفکر انتقادی را کاهش داده و خطاهای سامانه را بپذیرند. راهکار عملی، طراحی سیستم‌ها با مکانیسم‌های ارزیابی مستمر، استفاده از اصطکاک شناختی تعمدی جهت وادار کردن کاربر به بازبینی، و تقویت دوره‌ای سواد تخصصی کارکنان برای حفظ تصمیم‌گیری مستقل است.
Host: به بیان دیگر، استفاده مداوم از الگوریتم‌ها نه‌فقط خروجی تصمیم، بلکه فرآیند ارزیابی ذهن انسان را هم تغییر می‌دهد. از توضیحات شفاف شما سپاسگزارم، الکس.
Expert: از همراهی شما ممنونم، آنا.
Host: از شنوندگان محترم نیز برای همراهی با این قسمت از پادکست A.I.S. Insights سپاسگزاریم. وقت شما بخیر.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

human-AI collaboration, algorithmic reliance, dynamic preference adaptation, inverse reinforcement learning, cognitive reshaping, financial decision-making