DOI: https://doi.org/10.1016/j.dss.2025.114541
تاريخ النشر: 2025-09-13
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: اتخاذ القرار والاقتصاد السلوكي
نظرة عامة
تستكشف هذه الورقة البحثية ديناميات التعاون بين المستشارين الروبوتيين (RA) والبشر، مع التركيز على كيفية تفسير المستخدمين لأدوار المستشارين الروبوتيين ودمج نصائحهم في عمليات اتخاذ القرار. باستخدام تصميم مختلط متعدد المراحل يشمل تجربة سلوكية مع 334 مشاركًا، وتحليل موضوعي، والتحقق الكمي اللاحق، تكشف الدراسة أن الأفراد عمومًا يظهرون اعتمادًا على المستشارين الروبوتيين، متأثرين بالأداء المدرك للمستشار الروبوتي وإطار النصيحة من حيث المكاسب أو الخسائر.
يحدد التحليل الموضوعي ثلاثة أدوار متميزة يلعبها المستشارون الروبوتيون في اتخاذ القرار ويصنف المستخدمين إلى أربعة أنواع، كل منها يظهر أنماطًا فريدة من دمج النصائح. بالإضافة إلى ذلك، تقدم الدراسة تصنيفًا من 2×2 لعوامل القبول، مميزة بين العوامل المساعدة والمثبطة على المستويين الفردي والخوارزمي. من خلال دمج البيانات السلوكية مع الرؤى النوعية، تسهم النتائج في فهم أعمق لأنظمة المستشارين الروبوتيين، مقدمةً تداعيات عملية لتصميم مستشارين أكثر موثوقية وتكيفًا، بينما تبرز أيضًا اتجاهات البحث المستقبلي حول الثقة الخوارزمية والتعاون.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على تعقيدات اتخاذ القرار المالي، مما يدفع المستثمرين الأفراد غالبًا إلى البحث عن إرشادات من المستشارين الماليين البشريين. ومع ذلك، يواجه هؤلاء المستشارون انتقادات بسبب تضارب المصالح، والرسوم العالية، والتحيزات العاطفية، مما يدفع نحو حلول خوارزمية مثل المستشارين الروبوتيين (RAs). يقدم المستشارون الروبوتيون نصائح استثمارية شخصية وإدارة محافظ مالية تكون متاحة وفعالة من حيث التكلفة، مما قد يقلل من الأخطاء البشرية والتحيز. على الرغم من هذه المزايا، تظل معدلات التبني منخفضة، حيث يتم إدارة أقل من 1% من الأصول العالمية بواسطة المستشارين الروبوتيين اعتبارًا من عام 2022، مما يشير إلى الحاجة لمزيد من الاستكشاف في العوامل التي تؤثر على قبول المستخدمين واعتمادهم على نصائح المستشارين الروبوتيين.
تحدد الورقة الفجوات الحرجة في الأبحاث الحالية، خاصة فيما يتعلق بتأثير عناصر تصميم المستشارين الروبوتيين مثل معلومات الأداء وإطار التنبؤ على اعتماد المستخدم. بينما يمكن أن تعزز الشفافية في الأداء الثقة، فإن النتائج التجريبية غير متسقة، مما يستدعي مزيدًا من التحقيق. بالإضافة إلى ذلك، تهدف الدراسة إلى فهم كيفية تفسير المستخدمين لأدوار المستشارين الروبوتيين أثناء اتخاذ القرار وكيف يدمجون النصائح الخوارزمية في اختياراتهم. تستخدم الأبحاث تصميمًا مختلطًا متعدد المراحل لمعالجة هذه الفجوات، مع التركيز على الاعتماد السلوكي، والتجارب الذاتية، وديناميات التعاون بين البشر والمستشارين الروبوتيين. يجمع هذا النهج بين مقاييس كمية للاعتماد مع رؤى نوعية حول تفسيرات المستخدمين وسلوكيات الدمج، بهدف تطوير إطار شامل لفهم التفاعل بين البشر والمستشارين الروبوتيين.
الطرق
تستخدم الدراسة تصميمًا تجريبيًا مختلطًا متعدد المراحل لاستكشاف كيفية اعتماد الأفراد على نصائح خوارزمية التوصية (RA). يتكون من ثلاث مراحل: المرحلة الأولى تقيم بشكل كمي الاعتماد السلوكي من خلال تحليل تعديلات المشاركين على تقديراتهم الأولية بعد تلقي مدخلات المستشار الروبوتي؛ المرحلة الثانية تفحص نوعيًا الاستجابات المفتوحة من خلال التحليل الموضوعي لتحديد العوامل التي تؤثر على قبول المستشار الروبوتي؛ والمرحلة الثالثة تتحقق كميًا من النتائج المستخلصة من التحليل النوعي. يقوم التصميم التجريبي بتعديل ميزتين حاسمتين للمستشار الروبوتي: وجود معلومات الأداء وإطار التنبؤات (متفائل مقابل متشائم)، محاكيًا سيناريوهات استثمارية في العالم الحقيقي تتميز بعدم اليقين بشأن مصداقية النصائح الخوارزمية.
لإنشاء سياق استثماري واقعي، طور الباحثون مشهدًا تجريبيًا مركزًا حول مؤشر S&P 500، والذي تم اختباره مسبقًا مع خبراء من مجالات مختلفة لتعزيز الوضوح والملاءمة. قدم ستة خبراء في التنبؤ المالي تقديرات لقيمة المؤشر بعد شهر، والتي تم متوسطها للحصول على تغيير مطروح متوسط قدره 258 نقطة، مما يضمن أن توقعات المستشار الروبوتي كانت مدعومة تجريبيًا. سيطرت الدراسة على إطار التنبؤ من خلال تطبيق نفس التغيير البالغ 258 نقطة في كل من الظروف المتفائلة (ارتفاع قدره 258 نقطة) والمتشائمة (انخفاض قدره 258 نقطة). بالإضافة إلى ذلك، تم تعيين دقة المستشار الروبوتي التاريخية عند 80%، وهو رقم تم اختياره ليعكس معيار أداء موثوق. أكدت تجربة تجريبية مع 25 مشاركًا فعالية بروتوكول التجربة، مما سمح ببدء جمع البيانات على نطاق واسع.
النتائج
تكشف نتائج الدراسة عن رؤى مهمة حول قبول والاعتماد على نصائح خوارزمية التوصية (RA) بين المشاركين. في التحليل الكمي الأول، قبل حوالي 67% من المشاركين نصائح المستشار الروبوتي، مع تأكيد اختبار كاي-تربيع لتفضيل كبير للقبول (χ²(1, N = 334) = 37.56, p < 0.001)، مما يدعم الفرضية 1 (H1). أشار اختبار t لعينة مستقلة إلى أن التعرض لمعلومات الأداء أثر إيجابيًا على قبول المستشار الروبوتي (t = -2.006, p = 0.046, df = 332)، مع معدل قبول متوسط قدره 0.481 مقارنة بـ 0.398 لأولئك الذين ليس لديهم مثل هذه المعلومات. بالإضافة إلى ذلك، أظهر التحليل أن المشاركين الذين لديهم نظرة متشائمة كانوا أكثر احتمالًا لقبول نصائح المستشار الروبوتي (المتوسط = 0.4848) من أولئك الذين لديهم نظرة متفائلة (المتوسط = 0.3942)، مما يوفر دعمًا تجريبيًا للفرضيات 2a و2b. أكمل التحليل النوعي هذه النتائج من خلال استكشاف الأسباب وراء الاستجابات المتنوعة لنصائح المستشار الروبوتي. باستخدام منهجية جيويا، قام الباحثون بتصنيف استجابات المشاركين المفتوحة إلى مفاهيم من الدرجة الأولى، ومواضيع من الدرجة الثانية، وأبعاد مجمعة، كاشفين عن ثلاثة أدوار متميزة للمستشارين الروبوتيين (تأكيدية، تأملية، ومكملة) وأربعة أنواع من المستخدمين (محافظ، متشكك، متنازل، ومتوافق مع الخوارزمية). أكدت متابعة التحليل الكمي الفروق الكبيرة في سلوك الاعتماد بناءً على هذه التصنيفات. أشار تحليل ANOVA أحادي الاتجاه إلى تأثير كبير لدور المستشار الروبوتي على الاعتماد (F(2, 90) = 34.459, p < 0.001, η² = .434)، مع إظهار مستخدمي الدور التأكيدي اعتمادًا أقل (WOA = 0.1810) مقارنةً بالمستخدمين التأمليين (WOA = 0.6915) والمستخدمين المكملين (WOA = 0.7466). وبالمثل، اختلف الاعتماد بشكل كبير بين أنواع المستخدمين (F(3, 64) = 10.899, p < 0.001, η² = .338)، حيث أظهر المستخدمون المتوافقون مع الخوارزمية أعلى اعتماد (WOA = 0.789) والمستخدمون المحافظون أقل اعتماد (WOA = 0.409). تؤكد هذه النتائج التصنيفات النوعية وتبرز تعقيد تفاعل المستخدم مع نصائح المستشار الروبوتي.
المناقشة
في قسم المناقشة، تستكشف الورقة العوامل التي تؤثر على قبول والاعتماد على المستشارين الروبوتيين (RAs) في اتخاذ القرار الاستثماري. المستشارون الروبوتيون هم منصات آلية تقدم نصائح استثمارية شخصية بناءً على الخوارزميات، ومع ذلك، لا يزال تبنيهم محدودًا على الرغم من المزايا مثل الفعالية من حيث التكلفة وسهولة الوصول. يستخدم المؤلفون أطر نظرية متنوعة لتحليل العوامل البشرية والخوارزمية التي تؤثر على قبول المستشارين الروبوتيين. تشير النتائج الرئيسية إلى أن السمات الديموغرافية، والخصائص النفسية، والتصورات التكنولوجية تؤثر بشكل كبير على نوايا المستخدمين لتبني المستشارين الروبوتيين. على سبيل المثال، الأفراد الأصغر سنًا والذين لديهم مستوى أعلى من المعرفة المالية يميلون أكثر إلى الثقة في المستشارين الروبوتيين، بينما تعزز التصورات حول الفائدة وسهولة الاستخدام نوايا التبني. على العكس، يمكن أن تعيق المقاومة المعتادة لاتخاذ القرار الخوارزمي والمخاوف بشأن خصوصية البيانات القبول.
تؤكد الورقة أيضًا على أهمية فهم الاعتماد السلوكي الفعلي على نصائح المستشار الروبوتي، باستخدام إطار مشاركة الحكم والنصيحة (JAS) لقياس هذا الاعتماد من خلال مقياس التعديل الزائد وينسور (WOA). تفترض الدراسة أن الأفراد أكثر احتمالًا للاعتماد على نصائح المستشار الروبوتي عندما يتم توفير معلومات الأداء وعندما يتم تأطير التنبؤات بشكل متشائم، مما يتماشى مع نظريات مثل نظرية الإشارة ونظرية الاحتمالات. تشير النتائج إلى أن إشارات الأداء تعزز المصداقية المدركة، بينما يؤثر تجنب الخسارة على المستخدمين للبحث عن نصائح المستشار الروبوتي في سياقات غير مؤكدة. علاوة على ذلك، تصنف الدراسة المشاركين إلى أربعة أنواع من المستخدمين بناءً على دمجهم لنصائح المستشار الروبوتي، بدءًا من المحافظين إلى المتوافقين مع الخوارزمية، مما يبرز مستويات متفاوتة من الثقة والاعتماد. بشكل عام، تحدد الأبحاث العوامل الأساسية الحرجة لقبول المستشارين الروبوتيين وتؤكد على الحاجة لمزيد من التحقيق في الأبعاد المعرفية والتقنية للتعاون بين البشر والمستشارين الروبوتيين.
القيود
تسلط قيود هذه الدراسة حول التعاون بين المستشارين الروبوتيين (RA) والبشر الضوء على عدة مجالات للبحث المستقبلي. بشكل أساسي، تقتصر التحقيقات على سياق مالي محدد – الاستثمار في مؤشر S&P 500 – مما يشير إلى أن توسيع النطاق ليشمل سيناريوهات مالية متنوعة (مثل التخطيط للتقاعد أو الاستثمار في العملات المشفرة) وتطبيقات خوارزمية أخرى في مجالات مثل الرعاية الصحية والتعليم قد يوفر رؤى أوسع حول تفاعلات المستخدمين مع الخوارزميات. بالإضافة إلى ذلك، قد لا يعكس التصميم التجريبي القائم على المشهد تعقيدات اتخاذ القرار في العالم الحقيقي بشكل كافٍ، مما يشير إلى الحاجة لدراسات مستقبلية لتعزيز الصلاحية البيئية من خلال محاكاة تفاعلية أو تجارب ميدانية.
علاوة على ذلك، بينما تقدم الدراسة إطارًا منظمًا لفهم الاعتماد على المستشارين الروبوتيين، إلا أنها لا تتعمق في التفاعلات بين العوامل البشرية المختلفة وعوامل المستشار الروبوتي. يجب أن تستكشف الأبحاث المستقبلية هذه التفاعلات وتطوير مقاييس موثوقة للمفاهيم الرئيسية المحددة، مثل أدوار المستشارين الروبوتيين وأنواع المستخدمين، التي تفتقر حاليًا إلى أدوات قياس معتمدة. قد يحد غياب الحوافز المعتمدة على الأداء في الدراسة أيضًا من الواقعية، مما يشير إلى أن العمل المستقبلي يجب أن يتضمن عواقب مالية مرتبطة بدقة التنبؤ. أخيرًا، تتطلب التحيزات الآلية الملحوظة بين المستخدمين المتنازلين مزيدًا من التحقيق، ويتطلب تصنيف الدراسة للعوامل المساعدة والمثبطة، على الرغم من تقديمه كإطار مفاهيمي، تحققًا تجريبيًا لاستكشاف مكوناته وتفاعلاتها بشكل شامل.
DOI: https://doi.org/10.1016/j.dss.2025.114541
Publication Date: 2025-09-13
Author(s): Zhenyun Du et al.
Primary Topic: Decision-Making and Behavioral Economics
Overview
This research paper investigates the dynamics of human-robot advisor (RA) collaboration, focusing on how users interpret the roles of RAs and incorporate their advice into decision-making processes. Utilizing a multiphase mixed methods design that includes a behavioral experiment with 334 participants, thematic analysis, and subsequent quantitative validation, the study reveals that individuals generally exhibit reliance on RAs, influenced by the perceived performance of the RA and the framing of advice in terms of gains or losses.
Thematic analysis identifies three distinct roles that RAs play in decision-making and categorizes users into four types, each demonstrating unique patterns of advice integration. Additionally, the study introduces a 2×2 typology of acceptance factors, distinguishing between enablers and inhibitors at both individual and algorithmic levels. By synthesizing behavioral data with qualitative insights, the findings contribute to a deeper understanding of RA systems, offering practical implications for designing more trustworthy and adaptive RAs, while also highlighting directions for future research on algorithmic trust and collaboration.
Introduction
The introduction of the research paper highlights the complexities of financial decision-making, which often leads individual investors to seek guidance from human financial advisors. However, these advisors face criticism for conflicts of interest, high fees, and emotional biases, prompting a shift towards algorithmic solutions like robo-advisors (RAs). RAs offer personalized investment advice and portfolio management that are accessible and cost-effective, potentially reducing human error and bias. Despite these advantages, adoption rates remain low, with less than 1% of global assets managed by RAs as of 2022, indicating a need for further exploration into the factors influencing user acceptance and reliance on RA advice.
The paper identifies critical gaps in existing research, particularly concerning the impact of RA design elements such as performance information and prediction framing on user reliance. While performance transparency can enhance trust, empirical findings are inconsistent, necessitating further investigation. Additionally, the study aims to understand how users interpret the roles of RAs during decision-making and how they integrate algorithmic advice into their choices. The research employs a multiphase mixed methods design to address these gaps, focusing on behavioral reliance, subjective experiences, and the dynamics of human-RA collaboration. This approach combines quantitative measures of reliance with qualitative insights into user interpretations and integration behaviors, ultimately aiming to develop a comprehensive framework for understanding the interaction between humans and robo-advisors.
Methods
The study employs a multiphase mixed methods experimental design to explore how individuals rely on recommendation algorithm (RA) advice. It consists of three phases: the first phase quantitatively assesses behavioral reliance by analyzing participants’ adjustments to their initial estimates after receiving RA input; the second phase qualitatively examines open-ended responses through thematic analysis to identify factors influencing RA acceptance; and the third phase quantitatively validates findings from the qualitative analysis. The experimental design manipulates two critical features of the RA: the presence of performance information and the framing of predictions (optimistic vs. pessimistic), simulating real-world investment scenarios characterized by uncertainty regarding algorithmic advice credibility.
To create a realistic investment context, the researchers developed an experimental vignette centered on the S&P 500 Index, which was pretested with experts from various fields to enhance clarity and relevance. Six financial forecasting experts provided estimates for the index value one month ahead, which were averaged to yield a mean absolute projected change of 258 points, ensuring the RA’s predictions were empirically grounded. The study controlled for the prediction framing by applying the same 258-point change in both optimistic (a rise of 258 points) and pessimistic (a drop of 258 points) conditions. Additionally, the RA’s historical accuracy was set at 80%, a figure chosen to reflect a credible performance benchmark. A pilot test with 25 participants confirmed the experimental protocol’s effectiveness, allowing for full-scale data collection to commence.
Results
The results of the study reveal significant insights into the acceptance and reliance on recommendation algorithm (RA) advice among participants. In the first quantitative analysis, approximately 67% of participants accepted RA advice, with a Chi-Square test confirming a significant preference for acceptance (χ²(1, N = 334) = 37.56, p < 0.001), thus supporting Hypothesis 1 (H1). An independent samples t-test indicated that exposure to performance information positively influenced RA acceptance (t = -2.006, p = 0.046, df = 332), with a mean acceptance rate of 0.481 compared to 0.398 for those without such information. Additionally, the analysis showed that participants with a pessimistic outlook were more likely to accept RA advice (mean = 0.4848) than those with an optimistic outlook (mean = 0.3942), providing empirical support for Hypotheses 2a and 2b. The qualitative analysis complemented these findings by exploring the reasons behind varying responses to RA advice. Utilizing the Gioia methodology, the researchers categorized participants' open-ended responses into first-order concepts, second-order themes, and aggregate dimensions, revealing three distinct RA roles (confirmatory, reflective, and complementary) and four user types (conservative, skeptical, compromised, and algorithm-aligned). A follow-up quantitative analysis confirmed significant differences in reliance behavior based on these classifications. A one-way ANOVA indicated a large effect of RA role on reliance (F(2, 90) = 34.459, p < 0.001, η² = .434), with confirmatory role users showing lower reliance (WOA = 0.1810) compared to reflective (WOA = 0.6915) and complementary (WOA = 0.7466) roles. Similarly, reliance varied significantly among user types (F(3, 64) = 10.899, p < 0.001, η² = .338), with algorithm-aligned users exhibiting the highest reliance (WOA = 0.789) and conservative users the lowest (WOA = 0.409). These findings validate the qualitative classifications and highlight the complexity of user engagement with RA advice.
Discussion
In the discussion section, the paper explores the factors influencing the acceptance and reliance on Robo-Advisors (RAs) in investment decision-making. RAs are automated platforms that provide personalized investment advice based on algorithms, yet their adoption remains limited despite advantages such as cost-effectiveness and accessibility. The authors utilize various theoretical frameworks to analyze the human and algorithm-specific factors affecting RA acceptance. Key findings indicate that demographic traits, psychological characteristics, and perceptions of technology significantly influence user intentions to adopt RAs. For instance, younger individuals and those with higher financial literacy are more inclined to trust RAs, while perceptions of usefulness and ease of use enhance adoption intentions. Conversely, habitual resistance to algorithmic decision-making and concerns about data privacy can hinder acceptance.
The paper also emphasizes the importance of understanding actual behavioral reliance on RA advice, employing the Judgment and Advice Sharing (JAS) framework to quantify this reliance through the Winsorized Over Adjustment (WOA) metric. The study hypothesizes that individuals are more likely to rely on RA advice when performance information is provided and when predictions are framed pessimistically, aligning with theories such as Signaling Theory and Prospect Theory. The findings suggest that performance cues enhance perceived credibility, while loss aversion influences users to seek RA advice in uncertain contexts. Furthermore, the study categorizes participants into four user types based on their integration of RA advice, ranging from conservative to algorithm-aligned users, highlighting varying levels of trust and reliance. Overall, the research identifies critical antecedents of RA acceptance and underscores the need for further investigation into the cognitive and technical dimensions of human-RA collaboration.
Limitations
The limitations of this study on human-robot advisor (RA) collaboration highlight several areas for future research. Primarily, the investigation is confined to a specific financial context—investment in the S&P 500—suggesting that expanding the scope to include diverse financial scenarios (such as retirement planning or cryptocurrency investment) and other algorithmic applications in fields like healthcare and education could yield broader insights into user interactions with algorithms. Additionally, the vignette-based experimental design may not adequately reflect the complexities of real-world decision-making, indicating a need for future studies to enhance ecological validity through interactive simulations or field experiments.
Moreover, while the study offers a structured framework for understanding reliance on RAs, it does not delve into the interactions between various human and RA factors. Future research should explore these interactions and develop validated measures for key constructs identified, such as RA roles and user types, which currently lack established measurement instruments. The absence of performance-based incentives in the study may also limit realism, suggesting that future work should incorporate financial consequences tied to prediction accuracy. Lastly, the observed automation bias among compromised users warrants further investigation, and the study’s typology of enablers and inhibitors, while presented as a conceptual framework, requires empirical validation to explore its components and their interactions comprehensively.