ความไม่ชอบอัลกอริทึมถูกนิยามว่าเป็น "การประเมินอัลกอริทึมที่มีอคติซึ่งแสดงออกมาในพฤติกรรมและทัศนคติเชิงลบต่ออัลกอริทึมเมื่อเทียบกับตัวแทนที่เป็นมนุษย์" ^{[ 1 ]}ปรากฏการณ์นี้อธิบายถึงแนวโน้มของมนุษย์ที่จะปฏิเสธคำแนะนำหรือข้อเสนอแนะจากอัลกอริทึมในสถานการณ์ที่พวกเขาจะยอมรับคำแนะนำเดียวกันหากมาจากมนุษย์

อัลกอริทึมโดยเฉพาะอย่างยิ่งอัลกอริทึมที่ใช้ระเบียบ วิธี เรียนรู้ของเครื่องจักรหรือปัญญาประดิษฐ์ (AI) มีบทบาทเพิ่มมากขึ้นในการตัดสินใจในหลากหลายสาขา ตัวอย่างเช่น ระบบแนะนำสินค้าในอีคอมเมิร์ซที่ช่วยระบุสินค้าที่ลูกค้าอาจชื่นชอบ และระบบ AI ในด้านการดูแลสุขภาพที่ช่วยในการวินิจฉัยและตัดสินใจเกี่ยวกับการรักษา แม้ว่าอัลกอริทึมจะมีประสิทธิภาพเหนือกว่ามนุษย์ในหลายบริบท แต่คำแนะนำของอัลกอริทึมมักเผชิญกับความต้านทานหรือการปฏิเสธ ซึ่งอาจนำไปสู่ความไม่มีประสิทธิภาพและผลลัพธ์ที่ไม่เหมาะสม

การศึกษาเรื่องความไม่ชอบอัลกอริทึมมีความสำคัญอย่างยิ่ง เนื่องจากอัลกอริทึมได้ฝังตัวอยู่ในชีวิตประจำวันของเรามากขึ้นเรื่อยๆ ปัจจัยต่างๆ เช่น ความรับผิดชอบที่รับรู้ได้ การขาดความโปร่งใส และความสงสัยต่อการตัดสินของเครื่องจักร ล้วนมีส่วนทำให้เกิดความไม่ชอบนี้ ในทางกลับกัน มีสถานการณ์ที่บุคคลมีแนวโน้มที่จะเชื่อถือและปฏิบัติตามคำแนะนำของอัลกอริทึมมากกว่าคำแนะนำของมนุษย์ ซึ่งเป็นปรากฏการณ์ที่เรียกว่า การชื่นชมอัลกอริทึม^{[ 2 ]}การทำความเข้าใจพลวัตเหล่านี้เป็นสิ่งสำคัญสำหรับการปรับปรุงปฏิสัมพันธ์ระหว่างมนุษย์กับอัลกอริทึม และส่งเสริมการยอมรับการตัดสินใจที่ขับเคลื่อนด้วย AI มากยิ่งขึ้น

ความไม่ชอบอัลกอริทึมปรากฏให้เห็นในหลากหลายด้านที่ใช้อัลกอริทึมเพื่อช่วยหรือทดแทนการตัดสินใจของมนุษย์ ตัวอย่างด้านล่างนี้มาจากบริบทที่หลากหลาย โดยเน้นสถานการณ์ที่ผู้คนมักต่อต้านคำแนะนำหรือการตัดสินใจจากอัลกอริทึม:

ผู้ป่วยมักต่อต้านการวินิจฉัยทางการแพทย์และคำแนะนำการรักษาโดยใช้ AI แม้ว่าระบบดังกล่าวจะได้รับการพิสูจน์แล้วว่ามีความแม่นยำ ตัวอย่างเช่น ผู้ป่วยมักไว้วางใจแพทย์ที่เป็นมนุษย์มากกว่า เนื่องจากพวกเขามองว่าระบบ AI ขาดความเห็นอกเห็นใจและความสามารถในการจัดการกับปฏิสัมพันธ์ทางอารมณ์ที่ละเอียดอ่อน อารมณ์เชิงลบมีแนวโน้มที่จะเกิดขึ้นมากขึ้นเมื่อ AI มีบทบาทมากขึ้นในการตัดสินใจด้านการดูแลสุขภาพ^{[ 3 ]}

ตัวแทนอัลกอริทึมที่ใช้ในการสรรหาบุคลากรมักถูกมองว่ามีความสามารถน้อยกว่าในการทำหน้าที่เชิงสัมพันธ์ เช่น การให้การสนับสนุนทางอารมณ์หรือการพัฒนาอาชีพ ในขณะที่อัลกอริทึมได้รับความไว้วางใจสำหรับงานเชิงธุรกรรม เช่น การเจรจาต่อรองเงินเดือน แต่ผู้สรรหาบุคลากรที่เป็นมนุษย์กลับได้รับความนิยมมากกว่าสำหรับงานเชิงสัมพันธ์ เนื่องจากความสามารถในการเชื่อมต่อในระดับอารมณ์ที่รับรู้ได้^{[ 4 ]}

โดยทั่วไปผู้บริโภคมักมีปฏิกิริยาที่ไม่พึงประสงค์ต่อการตัดสินใจที่ทำโดยอัลกอริทึมเมื่อเทียบกับการตัดสินใจที่ทำโดยมนุษย์ ตัวอย่างเช่น เมื่อการตัดสินใจส่งผลให้เกิดผลลัพธ์ในเชิงบวก ผู้บริโภคจะพบว่าการยอมรับผลลัพธ์นั้นทำได้ยากขึ้นหากมาจากอัลกอริทึม ในทางกลับกัน ผลลัพธ์เชิงลบมักจะกระตุ้นให้เกิดการตอบสนองที่คล้ายคลึงกันไม่ว่าการตัดสินใจนั้นจะทำโดยอัลกอริทึมหรือมนุษย์ก็ตาม^{[ 5 ]}

ในด้านการตลาด อินฟลูเอนเซอร์ AI สามารถมีประสิทธิภาพเทียบเท่ากับอินฟลูเอนเซอร์ที่เป็นมนุษย์ในการส่งเสริมผลิตภัณฑ์ อย่างไรก็ตาม ระดับความไว้วางใจยังคงต่ำกว่าสำหรับคำแนะนำที่ขับเคลื่อนด้วย AI เนื่องจากผู้บริโภคมักมองว่าอินฟลูเอนเซอร์ที่เป็นมนุษย์มีความน่าเชื่อถือมากกว่า ในทำนองเดียวกัน ผู้เข้าร่วมมักจะชื่นชอบเนื้อหาที่ระบุอย่างชัดเจนว่าเป็นเนื้อหาที่สร้างโดยมนุษย์มากกว่าเนื้อหาที่สร้างโดย AI แม้ว่าคุณภาพของเนื้อหา AI จะเทียบเท่าหรือเหนือกว่าเนื้อหาที่สร้างโดยมนุษย์ก็ตาม^{[ 6 ] [ 7 ]}

บรรทัดฐานทางวัฒนธรรมมีบทบาทสำคัญในการต่อต้านอัลกอริทึม ในวัฒนธรรมแบบปัจเจกนิยม เช่นในสหรัฐอเมริกา มีแนวโน้มที่จะปฏิเสธคำแนะนำของอัลกอริทึมมากขึ้น เนื่องจากมีการเน้นความเป็นอิสระและการตัดสินใจส่วนบุคคล ในทางตรงกันข้าม วัฒนธรรมแบบรวมกลุ่ม เช่นในอินเดีย แสดงให้เห็นถึงการต่อต้านที่ต่ำกว่า โดยเฉพาะอย่างยิ่งเมื่อคุ้นเคยกับอัลกอริทึมมากขึ้น หรือเมื่อการตัดสินใจสอดคล้องกับบรรทัดฐานทางสังคม^{[ 8 ]}

อัลกอริทึมได้รับความไว้วางใจน้อยลงสำหรับงานที่เกี่ยวข้องกับการตัดสินทางศีลธรรมหรืออารมณ์ เช่น ปัญหาทางจริยธรรมหรือการตัดสินใจเชิงเห็นอกเห็นใจ ตัวอย่างเช่น บุคคลอาจปฏิเสธการตัดสินใจของอัลกอริทึมในสถานการณ์ที่พวกเขามองว่ามีความเสี่ยงทางศีลธรรมสูง เช่น การตัดสินใจเกี่ยวกับยานพาหนะอัตโนมัติหรือสถานการณ์ความเป็นความตายทางการแพทย์^{[ 9 ]}

ความไม่ชอบอัลกอริทึมเกิดขึ้นจากปัจจัยทางจิตวิทยา ปัจจัยที่เกี่ยวข้องกับงาน ปัจจัยทางวัฒนธรรม และปัจจัยที่เกี่ยวข้องกับการออกแบบ กลไกเหล่านี้ทำงานร่วมกันเพื่อกำหนดการรับรู้และพฤติกรรมเชิงลบของแต่ละบุคคลที่มีต่ออัลกอริทึม แม้ในกรณีที่ประสิทธิภาพของอัลกอริทึมเหนือกว่าการตัดสินใจของมนุษย์อย่างเห็นได้ชัดก็ตาม

โดยทั่วไปแล้ว บุคคลมักรู้สึกถึงความรับผิดชอบที่มากขึ้นเมื่อใช้คำแนะนำจากอัลกอริทึมเมื่อเทียบกับคำแนะนำจากมนุษย์ ความเชื่อนี้เกิดจากความคิดที่ว่า หากการตัดสินใจผิดพลาด พวกเขาจะต้องรับผิดชอบแต่เพียงผู้เดียว เพราะอัลกอริทึมไม่มีความสามารถในการแบ่งปันความผิด ในทางตรงกันข้าม การตัดสินใจที่ทำโดยใช้ข้อมูลจากมนุษย์นั้นถูกมองว่าเป็นการทำงานร่วมกันมากกว่า ทำให้สามารถแบ่งปันความรับผิดชอบได้ ตัวอย่างเช่น ผู้ใช้มีแนวโน้มที่จะพึ่งพาคำแนะนำจากอัลกอริทึมน้อยลงในด้านที่มีความเสี่ยงสูง เช่น การดูแลสุขภาพหรือการให้คำปรึกษาทางการเงิน ซึ่งผลกระทบจากข้อผิดพลาดนั้นร้ายแรง^{[ 8 ]}

บุคคลที่มี การควบคุมตนเองจากภายในซึ่งเชื่อว่าตนเองมีอิทธิพลโดยตรงต่อผลลัพธ์ มักลังเลที่จะไว้วางใจอัลกอริทึม พวกเขาอาจมองว่าการตัดสินใจโดยอัลกอริทึมเป็นการบั่นทอนความเป็นอิสระของตนเอง และชอบการป้อนข้อมูลจากมนุษย์มากกว่า เพราะรู้สึกว่าสามารถปรับเปลี่ยนได้หรือเป็นส่วนตัวมากกว่า ในทางกลับกัน บุคคลที่มีการควบคุมตนเองจากภายนอก ซึ่งมองว่าผลลัพธ์เกิดจากแรงภายนอก อาจยอมรับการตัดสินใจโดยอัลกอริทึมได้ง่ายกว่า โดยมองว่าอัลกอริทึมเป็นเครื่องมือที่เป็นกลางและมีประสิทธิภาพ แนวโน้มนี้เห็นได้ชัดเจนเป็นพิเศษในบริบทการตัดสินใจที่ผู้ใช้ต้องการรักษาความเป็นอิสระของตนเอง^{[ 10 ]}

บุคคลที่เป็นโรคประสาทมีแนวโน้มที่จะวิตกกังวลและกลัวความไม่แน่นอนมากขึ้น ทำให้พวกเขามีโอกาสน้อยที่จะเชื่อถืออัลกอริทึม ความไม่ชอบนี้อาจเกิดจากความกังวลเกี่ยวกับ "ความเย็นชา" ที่รับรู้ได้ของอัลกอริทึม หรือความไม่สามารถของอัลกอริทึมในการพิจารณาปัจจัยทางอารมณ์ที่ละเอียดอ่อน ตัวอย่างเช่น ในงานที่มีความอ่อนไหวทางอารมณ์ เช่น การดูแลสุขภาพหรือการสรรหาบุคลากร บุคคลที่เป็นโรคประสาทอาจปฏิเสธข้อมูลจากอัลกอริทึมและเลือกคำแนะนำจากมนุษย์แทน แม้ว่าอัลกอริทึมจะทำงานได้ดีเท่ากันหรือดีกว่าก็ตาม^{[ 11 ]}

ลักษณะของงานมีอิทธิพลอย่างมากต่อความไม่ชอบอัลกอริทึม สำหรับงานประจำและงานที่มีความเสี่ยงต่ำ เช่น การแนะนำภาพยนตร์หรือการทำนายความชอบของผลิตภัณฑ์ ผู้ใช้โดยทั่วไปจะรู้สึกสบายใจที่จะพึ่งพาอัลกอริทึม อย่างไรก็ตาม สำหรับงานที่มีความเสี่ยงสูงหรือเป็นงานเชิงอัตวิสัย เช่น การวินิจฉัยโรค การตัดสินใจทางการเงิน หรือการตัดสินทางศีลธรรม ความไม่ชอบอัลกอริทึมจะเพิ่มขึ้น ผู้ใช้มองว่างานเหล่านี้ต้องการความเห็นอกเห็นใจ การให้เหตุผลเชิงจริยธรรม หรือความเข้าใจอย่างละเอียดอ่อน ซึ่งเป็นคุณสมบัติที่พวกเขาเชื่อว่าอัลกอริทึมขาด ความแตกต่างนี้เน้นให้เห็นว่าทำไมอัลกอริทึมจึงได้รับการยอมรับได้ดีกว่าในสาขาเทคนิค (เช่น โลจิสติกส์) แต่กลับเผชิญกับการต่อต้านในสาขาที่เน้นมนุษย์เป็นศูนย์กลาง^{[ 5 ]}

ปฏิกิริยาของผู้คนต่อการตัดสินใจด้วยอัลกอริทึมได้รับอิทธิพลจากลักษณะของผลลัพธ์ของการตัดสินใจ เมื่ออัลกอริทึมให้ผลลัพธ์ที่เป็นบวก ผู้ใช้มีแนวโน้มที่จะเชื่อถือและยอมรับอัลกอริทึมมากขึ้น อย่างไรก็ตาม เมื่อผลลัพธ์เป็นลบ ผู้ใช้มีแนวโน้มที่จะปฏิเสธอัลกอริทึมและกล่าวโทษการใช้งานอัลกอริทึม ปรากฏการณ์นี้เชื่อมโยงกับการรับรู้ว่าอัลกอริทึมขาดความรับผิดชอบ ต่างจากผู้ตัดสินใจที่เป็นมนุษย์ซึ่งสามารถให้เหตุผลหรือยอมรับความรับผิดชอบต่อความล้มเหลวได้^{[ 5 ]}

บรรทัดฐานทางวัฒนธรรมมีอิทธิพลอย่างมากต่อทัศนคติที่มีต่อการตัดสินใจด้วยอัลกอริทึม ในวัฒนธรรมแบบปัจเจกนิยม เช่น สหรัฐอเมริกา ผู้คนให้คุณค่ากับความเป็นอิสระและการปรับแต่งเฉพาะบุคคลทำให้พวกเขามีความสงสัยในระบบอัลกอริทึมที่พวกเขามองว่าไม่เป็นส่วนตัวหรือแข็งกระด้าง ในทางกลับกัน ในวัฒนธรรมแบบรวมกลุ่ม เช่น อินเดีย บุคคลมีแนวโน้มที่จะยอมรับคำแนะนำของอัลกอริทึมมากขึ้น โดยเฉพาะอย่างยิ่งเมื่อระบบเหล่านี้สอดคล้องกับบรรทัดฐานของกลุ่มหรือความคาดหวังทางสังคม ความคุ้นเคยกับอัลกอริทึมในสังคมแบบรวมกลุ่มยังช่วยลดความรังเกียจลง เนื่องจากผู้ใช้มองว่าอัลกอริทึมเป็นเครื่องมือในการเสริมสร้างเป้าหมายของสังคมมากกว่าที่จะเป็นภัยคุกคามต่อความเป็นอิสระของแต่ละบุคคล^{[ 8 ]}

บรรทัดฐานและค่านิยมทางวัฒนธรรมส่งผลกระทบอย่างมากต่อการยอมรับอัลกอริทึม วัฒนธรรมแบบปัจเจกนิยม เช่น ในสหรัฐอเมริกา มีแนวโน้มที่จะแสดงความไม่ชอบอัลกอริทึมสูงกว่า เนื่องจากให้ความสำคัญกับความเป็นอิสระ ความสามารถในการตัดสินใจส่วนบุคคล และความไม่ไว้วางใจในระบบทั่วไป ในทางกลับกัน วัฒนธรรมแบบรวมกลุ่ม เช่น ในอินเดีย แสดงให้เห็นถึงการยอมรับอัลกอริทึมที่มากขึ้น โดยเฉพาะอย่างยิ่งเมื่อมีความคุ้นเคยสูงและการตัดสินใจสอดคล้องกับบรรทัดฐานทางสังคม ความแตกต่างเหล่านี้เน้นย้ำถึงความสำคัญของการปรับแต่งระบบอัลกอริทึมให้สอดคล้องกับความคาดหวังทางวัฒนธรรม^{[ 8 ]}

บทบาทขององค์กรในการสนับสนุนและอธิบายการใช้อัลกอริธึมสามารถส่งผลต่อระดับความไม่ชอบได้อย่างมาก เมื่อองค์กรส่งเสริมเครื่องมืออัลกอริธึมอย่างแข็งขันและให้การฝึกอบรมเกี่ยวกับการใช้งาน พนักงานมีแนวโน้มที่จะต่อต้านน้อยลง ความโปร่งใสเกี่ยวกับวิธีที่อัลกอริธึมสนับสนุนกระบวนการตัดสินใจช่วยสร้างความไว้วางใจและลดความวิตกกังวล โดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีความเสี่ยงสูงหรือในที่ทำงาน^{[ 1 ]}

ความไม่ชอบอัลกอริทึมจะสูงกว่าสำหรับระบบอัตโนมัติที่ตัดสินใจอย่างอิสระ (อัลกอริทึมแบบปฏิบัติ) เมื่อเทียบกับระบบให้คำปรึกษาที่ให้คำแนะนำแต่ยังคงอนุญาตให้มนุษย์มีอำนาจในการตัดสินใจขั้นสุดท้าย ผู้ใช้มักมองว่าอัลกอริทึมให้คำปรึกษาเป็นเครื่องมือสนับสนุนที่ช่วยเพิ่มการควบคุมของตน ในขณะที่อัลกอริทึมอัตโนมัติอาจถูกมองว่าเป็นภัยคุกคามต่ออำนาจหรือความสามารถในการแทรกแซงของตน^{[ 1 ]}

อัลกอริทึมมักถูกมองว่าขาดทักษะเฉพาะของมนุษย์ เช่น ความเห็นอกเห็นใจหรือการใช้เหตุผลเชิงศีลธรรมการรับรู้เช่นนี้ทำให้เกิดความไม่ชอบมากขึ้นในงานที่เกี่ยวข้องกับการตัดสินใจเชิงอัตวิสัย ปัญหาเชิงจริยธรรม หรือปฏิสัมพันธ์ทางอารมณ์ โดยทั่วไปผู้ใช้จะยอมรับอัลกอริทึมได้มากกว่าในงานเชิงวัตถุประสงค์และทางเทคนิคที่ลักษณะของมนุษย์มีความสำคัญน้อยกว่า^{[ 1 ]}

ในงานที่มีความเสี่ยงสูงหรือต้องการความเชี่ยวชาญสูง ผู้ใช้มักจะเลือกผู้เชี่ยวชาญที่เป็นมนุษย์มากกว่าอัลกอริทึม ความชอบนี้เกิดจากความเชื่อที่ว่าผู้เชี่ยวชาญที่เป็นมนุษย์สามารถคำนึงถึงบริบท ความละเอียดอ่อน และความซับซ้อนของสถานการณ์ได้ในแบบที่อัลกอริทึมทำไม่ได้ ความไม่ชอบอัลกอริทึมจะเด่นชัดเป็นพิเศษเมื่อมีมนุษย์ที่มีความเชี่ยวชาญเป็นทางเลือกแทนอัลกอริทึม^{[ 1 ]}

ผู้ใช้มีแนวโน้มที่จะปฏิเสธอัลกอริทึมมากขึ้นเมื่อทางเลือกอื่นคือการป้อนข้อมูลของตนเองหรือการป้อนข้อมูลของบุคคลที่พวกเขารู้จักและมีความสัมพันธ์ส่วนตัวด้วย ในทางตรงกันข้าม เมื่อทางเลือกอื่นคือตัวแทนมนุษย์ที่ไม่ระบุตัวตนหรืออยู่ห่างไกล อัลกอริทึมอาจได้รับการมองในแง่ดีมากขึ้น ความชอบต่อตัวแทนมนุษย์ที่ใกล้ชิดและมีความสัมพันธ์มากขึ้นนี้เน้นย้ำถึงความสำคัญของการรับรู้ถึงความเชื่อมโยงทางสังคมในการยอมรับการตัดสินใจของอัลกอริทึม^{[ 1 ]}

การขาดความโปร่งใสในระบบอัลกอริทึม ซึ่งมักเรียกว่าปัญหา "กล่องดำ" ก่อให้เกิดความไม่ไว้วางใจในหมู่ผู้ใช้ หากไม่มีคำอธิบายที่ชัดเจนเกี่ยวกับวิธีการตัดสินใจ ผู้ใช้อาจรู้สึกไม่สบายใจที่จะพึ่งพาผลลัพธ์ของอัลกอริทึม โดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีความเสี่ยงสูง ตัวอย่างเช่น ความโปร่งใสในระบบ AI ทางการแพทย์ เช่น การให้คำอธิบายสำหรับคำแนะนำในการวินิจฉัย สามารถปรับปรุงความไว้วางใจและลดความไม่ชอบได้อย่างมาก อัลกอริทึมที่โปร่งใสช่วยเพิ่มศักยภาพให้ผู้ใช้โดยการทำให้กระบวนการตัดสินใจเป็นเรื่องที่เข้าใจง่ายขึ้น ทำให้พวกเขารู้สึกว่าตนเองควบคุมได้มากขึ้น^{[ 10 ]}

โดยทั่วไป ผู้ใช้มักจะให้อภัยต่อข้อผิดพลาดของอัลกอริทึมได้น้อยกว่าข้อผิดพลาดของมนุษย์ แม้ว่าความถี่ของข้อผิดพลาดของอัลกอริทึมจะต่ำกว่าก็ตาม การตรวจสอบที่เข้มงวดมากขึ้นนี้เกิดจากความเชื่อที่ว่าอัลกอริทึมควรจะ "สมบูรณ์แบบ" หรือปราศจากข้อผิดพลาด ต่างจากมนุษย์ที่คาดว่าจะทำผิดพลาด อย่างไรก็ตาม อัลกอริทึมที่แสดงให้เห็นถึงความสามารถในการเรียนรู้จากข้อผิดพลาดและปรับตัวได้เมื่อเวลาผ่านไปสามารถสร้างความไว้วางใจได้มากขึ้น ตัวอย่างเช่น ผู้ใช้มีแนวโน้มที่จะยอมรับอัลกอริทึมในการพยากรณ์ทางการเงินมากขึ้นหากพวกเขาสังเกตเห็นการปรับปรุงตามคำติชม^{[ 10 ]}

การออกแบบอัลกอริธึมที่มีลักษณะคล้ายมนุษย์ เช่น อวตาร อินเทอร์เฟซการสนทนา หรือภาษาที่เข้าใจได้ สามารถลดความรู้สึกไม่ชอบได้โดยทำให้การโต้ตอบรู้สึกเป็นธรรมชาติและเป็นส่วนตัวมากขึ้น ตัวอย่างเช่น แชทบอทที่ขับเคลื่อนด้วย AI ที่มีรูปแบบการสื่อสารที่เห็นอกเห็นใจจะได้รับการตอบรับที่ดีกว่าในฝ่ายบริการลูกค้ามากกว่าอินเทอร์เฟซเชิงกลล้วนๆ กลยุทธ์การออกแบบนี้ช่วยลดการรับรู้ว่าอัลกอริธึมนั้น "เย็นชา" หรือไม่มีความเป็นส่วนตัว กระตุ้นให้ผู้ใช้มีส่วนร่วมกับอัลกอริธึมได้อย่างสบายใจมากขึ้น^{[ 7 ]}

รูปแบบที่อัลกอริทึมนำเสนอคำแนะนำมีผลอย่างมากต่อความไว้วางใจของผู้ใช้ ระบบที่ใช้อินเทอร์เฟซแบบสนทนาหรือเสียงมักจะได้รับความไว้วางใจมากกว่าระบบที่ใช้เอาต์พุตเป็นข้อความเพียงอย่างเดียว เนื่องจากสร้างความรู้สึกโต้ตอบแบบมนุษย์^{[ 12 ]}

อัลกอริทึมที่ให้คำอธิบายคำแนะนำที่ชัดเจน กระชับ และเป็นระเบียบจะมีแนวโน้มที่จะได้รับการยอมรับจากผู้ใช้มากขึ้น ระบบที่ให้ข้อมูลเชิงลึกโดยละเอียดแต่เข้าถึงได้ง่ายเกี่ยวกับกระบวนการตัดสินใจจะถูกมองว่าน่าเชื่อถือและไว้วางใจได้มากกว่า^{[ 10 ]}

หลายคนมีความสงสัยฝังลึกต่ออัลกอริทึม โดยเฉพาะอย่างยิ่งเมื่อพวกเขายังไม่คุ้นเคยกับระบบหรือความสามารถของระบบ ประสบการณ์เชิงลบในช่วงแรกกับอัลกอริทึมอาจทำให้ความไม่ไว้วางใจนี้ฝังรากลึกยิ่งขึ้น ทำให้ยากที่จะสร้างความเชื่อมั่นขึ้นมาใหม่ แม้ว่าอัลกอริทึมจะทำงานได้ดีขึ้น แต่ความลำเอียงนี้มักจะยังคงอยู่ นำไปสู่การปฏิเสธโดยสิ้นเชิง^{[ 8 ]}

ผู้คนมักแสดงความชอบต่อการตัดสินใจของมนุษย์มากกว่าการตัดสินใจของอัลกอริทึม โดยเฉพาะอย่างยิ่งสำหรับผลลัพธ์ที่เป็นบวก Yalsin และคณะเน้นย้ำว่าบุคคลมีแนวโน้มที่จะซึมซับการตัดสินใจที่เป็นประโยชน์ที่ทำโดยมนุษย์ โดย attributing ความสำเร็จให้กับความเชี่ยวชาญหรือความพยายามของมนุษย์ ในทางตรงกันข้าม การตัดสินใจที่ทำโดยอัลกอริทึมถูกมองว่าไม่เป็นส่วนตัว ลดความรู้สึกถึงความสำเร็จหรือความพึงพอใจ ความชอบนี้มีส่วนทำให้เกิดอคติอย่างต่อเนื่องต่อระบบอัลกอริทึม แม้ว่าประสิทธิภาพของระบบจะเทียบเท่าหรือเหนือกว่ามนุษย์ก็ตาม^{[ 5 ]}

ผู้คนอาจไม่ชอบใช้อัลกอริทึมหากการทำเช่นนั้นสื่อถึงข้อมูลเชิงลบเกี่ยวกับความสามารถของมนุษย์^{[ 13 ]}สิ่งนี้อาจเกิดขึ้นได้หากมนุษย์มีข้อมูลส่วนตัวเกี่ยวกับความสามารถของตนเอง

อัลกอริทึมมักสามารถทำงานได้ดีกว่ามนุษย์หรือทำงานต่างๆ ได้อย่างคุ้มค่ากว่ามาก^{[ 14 ] [ 15 ]}ถึงกระนั้น การต่อต้านอัลกอริทึมก็ยังคงมีอยู่เนื่องจากปัจจัยทางจิตวิทยา วัฒนธรรม และการออกแบบต่างๆ นักวิจัยและผู้ปฏิบัติงานได้เสนอแนวทางกลยุทธ์หลายประการเพื่อลดความต้านทานและสร้างความไว้วางใจ

วิธีที่มีประสิทธิภาพวิธีหนึ่งในการลดความรู้สึกต่อต้านอัลกอริทึมคือการนำ แนวทาง ที่มีมนุษย์เข้ามา เกี่ยวข้องมาใช้ โดยที่ผู้ตัดสินใจที่เป็นมนุษย์ยังคงควบคุมการตัดสินใจขั้นสุดท้าย แนวทางนี้ช่วยแก้ไขข้อกังวลเกี่ยวกับอำนาจในการตัดสินใจและความรับผิดชอบโดยการวางตำแหน่งอัลกอริทึมเป็นเครื่องมือให้คำแนะนำมากกว่าเป็นผู้ตัดสินใจโดยอิสระ

อัลกอริทึมสามารถให้คำแนะนำได้ แต่ยังคงอำนาจการตัดสินใจขั้นสุดท้ายไว้กับมนุษย์ ซึ่งทำให้ผู้ใช้สามารถมองอัลกอริทึมเป็นเครื่องมือสนับสนุนมากกว่าเป็นภัยคุกคาม ตัวอย่างเช่น ในด้านการดูแลสุขภาพ ระบบ AI สามารถแนะนำการวินิจฉัยหรือการรักษาได้ แต่แพทย์จะเป็นผู้ตัดสินใจขั้นสุดท้าย

การผสานมนุษย์เข้ากับกระบวนการทางอัลกอริทึมช่วยส่งเสริมความร่วมมือและกระตุ้นให้ผู้ใช้มีส่วนร่วมกับระบบอย่างเปิดเผยมากขึ้น วิธีนี้มีประสิทธิภาพเป็นพิเศษในด้านที่สัญชาตญาณและบริบทของมนุษย์มีความสำคัญ เช่น การสรรหาบุคลากร การศึกษา และการวางแผนทางการเงิน

ความโปร่งใสเป็นสิ่งสำคัญในการเอาชนะความไม่ชอบอัลกอริทึม เนื่องจากช่วยสร้างความไว้วางใจและลดผลกระทบของ "กล่องดำ" ที่มักทำให้ผู้ใช้รู้สึกไม่สบายใจ การให้คำอธิบายเกี่ยวกับวิธีการทำงานของอัลกอริทึมทำให้ผู้ใช้สามารถเข้าใจและประเมินคำแนะนำได้ ความโปร่งใสสามารถมีได้หลายรูปแบบ เช่น คำอธิบายโดยรวมที่อธิบายการทำงานโดยรวมของอัลกอริทึม คำอธิบายเฉพาะกรณีที่ชี้แจงว่าเหตุใดจึงมีการแนะนำเช่นนั้น หรือระดับความเชื่อมั่นที่เน้นความแน่นอนของอัลกอริทึมในการตัดสินใจ ตัวอย่างเช่น ในการให้คำปรึกษาทางการเงิน ความโปร่งใสเกี่ยวกับวิธีการสร้างคำแนะนำการลงทุนสามารถเพิ่มความเชื่อมั่นของผู้ใช้ในระบบได้ วิธีการ AI ที่อธิบายได้ (XAI) เช่น การแสดงภาพเส้นทางการตัดสินใจหรือเมตริกความสำคัญของฟีเจอร์ ทำให้คำอธิบายเหล่านี้เข้าถึงได้และเข้าใจง่าย ทำให้ผู้ใช้สามารถตัดสินใจได้อย่างมีข้อมูลว่าจะเชื่อถืออัลกอริทึมหรือไม่^{[ 1 ]}

การทำให้ผู้ใช้คุ้นเคยกับอัลกอริทึมผ่านการฝึกอบรมสามารถลดความไม่ชอบได้อย่างมาก โดยเฉพาะอย่างยิ่งสำหรับผู้ที่ไม่คุ้นเคยหรือสงสัย โปรแกรมฝึกอบรมที่จำลองปฏิสัมพันธ์ในโลกแห่งความเป็นจริงกับอัลกอริทึมช่วยให้ผู้ใช้เห็นความสามารถและข้อจำกัดของอัลกอริทึมได้ด้วยตนเอง ตัวอย่างเช่น ผู้เชี่ยวชาญด้านการดูแลสุขภาพที่ใช้ระบบ AI วินิจฉัยโรคสามารถได้รับประโยชน์จากการฝึกอบรมภาคปฏิบัติที่แสดงให้เห็นว่าระบบให้คำแนะนำได้อย่างไรและวิธีการตีความผลลัพธ์ การฝึกอบรมดังกล่าวช่วยลดช่องว่างความรู้และทำให้เข้าใจอัลกอริทึมได้ง่ายขึ้น ทำให้ผู้ใช้รู้สึกสบายใจมากขึ้นในการใช้งาน นอกจากนี้ ปฏิสัมพันธ์และการตอบรับซ้ำๆ ช่วยให้ผู้ใช้สร้างความไว้วางใจในระบบได้เมื่อเวลาผ่านไป แรงจูงใจทางการเงิน เช่น รางวัลสำหรับการตัดสินใจที่ถูกต้องโดยใช้ความช่วยเหลือจากอัลกอริทึม ยังแสดงให้เห็นว่าช่วยกระตุ้นให้ผู้ใช้มีส่วนร่วมกับระบบเหล่านี้ได้ง่ายขึ้น^{[ 16 ]}

การอนุญาตให้ผู้ใช้โต้ตอบและปรับแต่งผลลัพธ์ของอัลกอริทึมจะช่วยเพิ่มความรู้สึกของการควบคุม ซึ่งเป็นปัจจัยสำคัญในการเอาชนะความไม่ชอบ ตัวอย่างเช่น อินเทอร์เฟซแบบโต้ตอบที่ให้ผู้ใช้แก้ไขพารามิเตอร์ จำลองผลลัพธ์ หรือปรับแต่งคำแนะนำ จะทำให้รู้สึกว่าอัลกอริทึมมีความยืดหยุ่นและปรับตัวได้มากขึ้น การกำหนดเกณฑ์ความเชื่อมั่นที่ผู้ใช้สามารถปรับได้ เช่น การกำหนดเกณฑ์ที่เข้มงวดมากขึ้นสำหรับการวินิจฉัยทางการแพทย์ จะช่วยเพิ่มอำนาจให้ผู้ใช้รู้สึกมีส่วนร่วมในกระบวนการตัดสินใจ กลไกการให้ข้อเสนอแนะเป็นอีกคุณลักษณะที่สำคัญ เนื่องจากช่วยให้ผู้ใช้สามารถป้อนข้อมูลหรือแก้ไขข้อผิดพลาด ส่งเสริมความรู้สึกของการทำงานร่วมกันระหว่างผู้ใช้และอัลกอริทึม คุณลักษณะการออกแบบเหล่านี้ไม่เพียงแต่ลดความต้านทาน แต่ยังแสดงให้เห็นว่าอัลกอริทึมเป็นเครื่องมือที่ยืดหยุ่นมากกว่าระบบที่ตายตัวและไม่ยืดหยุ่น

การปรับแต่งให้เข้ากับความต้องการเฉพาะบุคคลเป็นอีกปัจจัยสำคัญในการลดความไม่ชอบอัลกอริทึม อัลกอริทึมที่ปรับให้เข้ากับความชอบหรือบริบทของแต่ละบุคคลมีแนวโน้มที่จะได้รับการยอมรับจากผู้ใช้มากกว่า ตัวอย่างเช่น ระบบแนะนำสินค้าในอีคอมเมิร์ซที่เรียนรู้พฤติกรรมการซื้อของของผู้ใช้เมื่อเวลาผ่านไป มักจะได้รับความไว้วางใจมากกว่าระบบทั่วไป คุณสมบัติการปรับแต่ง เช่น ความสามารถในการจัดลำดับความสำคัญของปัจจัยบางอย่าง (เช่น ต้นทุนหรือความยั่งยืนในการแนะนำผลิตภัณฑ์) จะช่วยเพิ่มความพึงพอใจของผู้ใช้โดยการปรับผลลัพธ์ให้ตรงกับความต้องการเฉพาะของพวกเขา ในด้านการดูแลสุขภาพ ระบบ AI ที่ปรับแต่งให้เข้ากับประวัติทางการแพทย์และสภาวะเฉพาะของผู้ป่วยจะได้รับการยอมรับดีกว่าเครื่องมือทั่วไป การปรับแต่งผลลัพธ์ให้ตรงกับความชอบและสถานการณ์ของผู้ใช้ อัลกอริทึมสามารถส่งเสริมการมีส่วนร่วมและความไว้วางใจได้มากขึ้น

การศึกษาไม่ได้แสดงให้เห็นอย่างสม่ำเสมอว่าผู้คนแสดงอคติต่ออัลกอริทึม และบางครั้งก็แสดงให้เห็นในทางตรงกันข้าม โดยชอบคำแนะนำจากอัลกอริทึมมากกว่าคำแนะนำจากมนุษย์ ผลกระทบนี้เรียกว่าการชื่นชมอัลกอริทึม^{[ 17 ] [ 18 ]}ผลลัพธ์มีความหลากหลาย แสดงให้เห็นว่าบางครั้งผู้คนดูเหมือนจะชอบคำแนะนำที่มาจากอัลกอริทึมมากกว่าคำแนะนำจากมนุษย์

ตัวอย่างเช่น ลูกค้ามีแนวโน้มที่จะแสดงความสนใจเบื้องต้นต่อพนักงานขายที่เป็นมนุษย์มากกว่าพนักงานขายอัตโนมัติ แต่มีแนวโน้มที่จะให้ข้อมูลการติดต่อน้อยกว่า เนื่องจาก "ระดับความคาดหวังด้านประสิทธิภาพและความพยายามที่เกี่ยวข้องกับพนักงานขายที่เป็นมนุษย์นั้นต่ำกว่าพนักงานขายอัตโนมัติ" ^{[ 19 ]}