为何（不）使用AI？分析人的推理方式与AI可接受性条件

近年来，人们越来越意识到需要将非专业人士的意见纳入AI使用治理和可接受性评估之中。然而，人们如何以及为何判断不同AI应用的可接受性仍鲜有探讨，尽管这对于理解和消除潜在分歧至关重要。本文通过对具有代表性的受访者（N=197）进行调查，探讨影响人们对AI发展判断的人口统计因素和推理因素。为了探究这些决策因素以及不同应用场景中感知的内在差异，我们考虑了十个不同的替代劳动（例如律师AI）和个人健康（例如数字医疗建议AI）AI应用场景。我们探讨了受访者的判断与其论证之间的关系，例如推理方法（成本效益推理 vs. 规则基于推理）。我们的实证发现表明，影响接受程度的多个因素。我们发现劳动替代使用低于个人健康，人口统计因素如性别、就业状况、教育程度和AI素养水平具有显著影响，以及对不可接受应用场景的规则基于推理的普遍存在。此外，我们观察到统一的推理类型（例如成本效益推理）导致更高的一致性。基于这些发现，我们讨论了关于理解和消除AI应用可接受性分歧的关键含义，以便通过协作方式建立共识。