본문으로 건너뛰기

인공지능 사용의 수용성인가 사용 확대인가? : 낮은 문해력/더욱 높은 사용률 간 도구별 재분석

AI 자동 생성

최근으로 Tully, Longoni, 및 Appel (2025)가 제시한 증거에 따르면, 인공 지능(AI) Literacy가 낮은 사람들은 AI에 대한 더 큰 수용성을 보인다고 보고했다. 우리는 이 주장을 재확인하기 위해 그들의 연구의 세 번째 연구에서 공개된 데이터를 사용했다. 그 데이터는 5가지 AI 도구 카테고리의 과거 사용 빈도 scale을 측정했다. 먼저, 우리는 참여자별 평균에 OLS, 이진 로짓, 정렬 로짓, 다중 로짓 사양을 사용하여 AI Literacy와 총 AI 사용량 사이의 음의 관련성을 재현했다. 그 다음으로, 우리는 총 관계가 도구 유형에 따라 대단히 다양성이 숨겨져 있다는 것을 보였다. 우리의 인구통계학적 조정된 주요 사양에서, AI Literacy는 텍스트 AI 사용량을 예측하지 못했다(정렬 로짓 $\beta$ = -0.090, p = .387), 반면 AI Literacy는 비 텍스트 AI 도입을 강력하게 예측했다($\beta$ = -0.377, p < .001). 비 텍스트 효과는 Tully et al.의 원래 연구 3 조건 사양에서도 안정적이었다($\beta$ = -0.502, p < .001). 이진, 정렬 로짓, 다중 로짓 사양은 비 텍스트 관계가 주로 도입/비 도입 패턴이 아닌 집중적인 사용의 증거가 아니라면, 비 텍스트 AI 도구를 사용한 적이 있는 사람들의 인구통계학적 조정된 기회 비율은 0.68이라고 제안했다. 따라서, 선호하는 선언이 아닌 과거 사용을 측정한 연구에서, AI Literacy가 낮은 사람들에 대한 AI에 대한 더 큰 수용성을 예측하는 단순한 주장은 증거에 의해 뒷받침되지 않는다. 대신, 낮은 침투도, 비 텍스트 AI 도구의 더 광범위한 도입을 가리키는 좁은 패턴을 지적한다.

원문 보기 arXiv AI

함께 읽으면 좋은 기사

연구 3일 전

스트로크 위험도 예측을 위한 새로운 AI 기술: MedGate-Fusion

스트로크 위험도를 예측하는 것은 원치 않는 병력이 발생하기 전에 중요한 역할을 합니다. 그러나 이 과제는 의사들이 주기적으로 기록하는 생리학적 바이오마커와 비구조적인 의료 기록의 사이에 분산되어 있는 초기 위험 신호를 식별하는 어려움으로 인해 힘들어집니다. MedGate-Fusion은 이러한 문제를 해결하기 위해 처음 만나는 의료 기록의 의미론적 이야기와 10개의 정기적으로 기록된 위험 표시자를 통합하는 멀티 모달 게이트 아키텍처를 제안합니다. 이 아키텍처는 대규모 언어 모델(LLM)과 같은 기존의 AI 기술을 사용하여 의료 기록의 의미를 추출하고 생리학적 바이오마커의 정보를 통합하여 스트로크 위험도를 예측합니다.

연구 3일 전

기존의 전제 조건자들이 생의학 표준 표 데이터 학습을 개선하는가? 표준 표 데이터 학습 최적화에 대한 실증 연구

최근 구조화된 생물학적 데이터 분석에 있어서 표준화된 기초 모델(tabular foundation model)이 강력한 잠재력을 보인다. 그 중 하나인 TabPFN은 낮은 데이터 표준화 분류 작업에서 효과적인 접근 방식으로 나타났지만, 최적화 및 조건화 전략의 생물학적 세부 튜닝에 대한 영향은 여전히 크게 연구되지 않았다. 본 연구에서, 우리는 59 개의 생물학적 데이터셋(Alzheimer'

연구 6일 전

SAS 비전 트랜스폼러에 기반한 강화된 대비 학습

아티클 번호: 2609.21061v1 발표 유형: 새로운 개요: 합성 어레이 소나(SAS)를 사용하는 자동 목표 식별(AUTR)은 고급 해군 기능을 지원하지만, 깊은 학습은 희소한 목표 이미지를, 배경 잡음 및 인간의 평가를 제한한다. 우리는 바다 속 SAS AUTR을 위한 DINOv3 비전 트랜스포머(ViT) 모델을 3단계의 매개 변수 효율적인 프레임워크로 적응시킨다. 단계 1은 ViT 백

관련 콘텐츠 더 보기

다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.