Une expérience menée par l’Université Cornell dans laquelle deux personnes jouent à une model modifiée de Tetris a révélé que les joueurs qui obtiennent moins de excursions perçoivent l’autre joueur comme moins sympathique, qu’une personne ou un algorithme attribue les excursions.
La plupart des études sur l’équité algorithmique se concentrent sur l’algorithme ou la décision elle-même, mais les chercheurs ont cherché à explorer les relations entre les personnes concernées par les décisions.
“Nous commençons à voir de nombreuses cases dans lesquelles l’IA prend des décisions sur la manière dont les ressources doivent être réparties entre les personnes”, a déclaré Malte Jung, professeur agrégé de sciences de l’information, dont le groupe a mené l’étude. “Nous voulons comprendre comment cela impact la façon dont les gens se perçoivent et se comportent les uns envers les autres. Nous voyons de plus en furthermore de preuves que les equipment perturbent la façon dont nous interagissons les uns avec les autres.”
Dans une étude antérieure, un robot choisissait la personne à qui donner un bloc et étudiait les réactions de chaque individu aux décisions d’attribution de la equipment.
“Nous avons remarqué qu’à chaque fois que le robotic semblait préférer une personne, l’autre s’énervait”, a déclaré Jung. “Nous voulions étudier cela furthermore avant, vehicle nous pensions que, à mesure que les equipment prenant des décisions deviennent de additionally en plus une partie du monde – qu’il s’agisse d’un robot ou d’un algorithme – qu’est-ce que cela fait ressentir à une personne ?”
À l’aide d’un logiciel open up source, Houston Claure – le leading auteur de l’étude et chercheur postdoctoral à l’Université de Yale – a développé une version à deux joueurs de Tetris, dans laquelle les joueurs manipulent des blocs géométriques qui tombent afin de les empiler sans laisser d’espace avant que les blocs ne s’empilent. vers le haut de l’écran. La version de Claure, Co-Tetris, permet à deux personnes (une à la fois) de travailler ensemble pour terminer chaque tour.
Un “allocateur” – humain ou IA, qui a été transmis aux joueurs – détermine quel joueur prend chaque tour. Jung et Claure ont conçu leur expérience pour que les joueurs aient soit 90% des tours (la ailment “moreover”), 10% (“moins”) ou 50% (“égal”).
Les chercheurs ont découvert, comme on pouvait s’y attendre, que ceux qui recevaient moins de excursions étaient parfaitement conscients que leur partenaire en recevait beaucoup furthermore. Mais ils ont été surpris de constater que les sentiments à ce sujet étaient en grande partie les mêmes, que l’attribution soit faite par un humain ou une IA.
L’effet de ces décisions est ce que les chercheurs ont appelé le “comportement d’allocation des devices” – similaire au phénomène établi de “comportement d’allocation des ressources”, le comportement observable que les gens présentent en fonction des décisions d’allocation. Jung a déclaré que le comportement d’allocation de la machine est “le idea selon lequel il existe ce comportement exclusive qui résulte du fait qu’une device prend une décision sur la façon dont quelque selected est alloué”.
Les chercheurs ont également découvert que l’équité n’entraînait pas automatiquement une meilleure jouabilité et de meilleures performances. En fait, une répartition égale des excursions conduit, en moyenne, à un rating moins bon qu’une répartition inégale.
“Si un joueur fort reçoit la plupart des blocs”, a déclaré Claure, “l’équipe va faire mieux. Et si une personne obtient 90%, elle finira par s’améliorer que si deux joueurs moyens se partagent les blocs.”