通过众包隐喻测量和理解 AI 的公众感知

公众如何应对基于人工智能(AI)的技术日益普及的反应？我们通过收集来自全美代表性样本的 12 个月超过 12,000 个响应来研究公众对 AI 的感知。参与者提供开放式隐喻，以反映他们对 AI 的心理模型，这种方法克服了传统自报告测量的局限性，能够捕捉更细致的层次。通过结合定量聚类和定性编码，我们确定了塑造公众对 AI 理解的 20 个主要隐喻。为了系统地分析这些隐喻，我们提出了一种可扩展框架，将语言模型(LM)技术整合用于衡量公众感知的关键维度：拟人化(归因于人类特征)、温暖和能力。我们发现美国人普遍将 AI 视为温暖且有能力的，过去一年中，AI 对人类性和温暖的感知显著增加($+34\%, r = 0.80, p < 0.01; +41\%, r = 0.62, p < 0.05$)。这些隐式感知以及确定的主要隐喻强烈预测公众对 AI 的信任程度和采纳意愿($r^2 = 0.21, 0.18, p < 0.001$)。此外，我们发现系统的人口统计特征差异在隐喻和隐式感知方面，例如女性、年长者和种族少数者更倾向于拟人化 AI，这些发现为信任和采纳的人口统计差异提供了阐释。除了我们的数据集和框架用于跟踪演变中的公众态度外，我们提供了使用隐喻实现包容性和负责任 AI 开发的可操作见解。