Алгоритмічне схвалення: коли люди віддають перевагу порадам алгоритму
Оновлено: 4 години тому
Автор: Український психологічний ХАБ · Опубліковано: 20 вересня 2026 · Редакційна політика
Алгоритмічне схвалення (англ. algorithm appreciation) — це ситуація, у якій людина надає алгоритмічній пораді, прогнозу або оцінці більше ваги, ніж порівнюваній пораді іншої людини. Термін увійшов у психологію рішень після серії експериментів Logg, Minson і Moore (2019), де учасники в низці завдань сильніше коригували власні оцінки в бік поради, коли вважали, що її згенерував алгоритм.
Слово «схвалення» тут позначає не емоційне схвалення технології й не моральну підтримку її рішення. У цій статті воно є українським відповідником дослідницького терміна algorithm appreciation: порівняльної готовності сильніше враховувати алгоритмічну пораду.
Це не універсальний закон поведінки і не клінічний діагноз. Сучасні дослідження показують умовну картину: за одних обставин люди охочіше покладаються на алгоритми, за інших — віддають перевагу людському судженню. Найсильніший сучасний синтез, метааналіз Qin та співавторів (2025), показує, що напрям переваги значною мірою залежить від того, наскільки компетентним здається штучний інтелект у конкретному завданні та наскільки важливою сприймається персоналізація.
Тому питання «люди довіряють алгоритмам чи уникають їх?» поставлене занадто широко. Науково точніше питати: хто приймає рішення, яке це завдання, що відомо про якість поради, чи бачила людина помилки системи, чи може вона втрутитися в результат, із ким саме порівнюється алгоритм і що вимірюється — заявлена довіра, фактичний вибір, делегування рішення чи реальна вага поради.
Коротка відповідь: коли виникає алгоритмічне схвалення
Алгоритмічне схвалення найімовірніше виникає тоді, коли алгоритм сприймається як сильний у завданні, а саме завдання — як таке, що можна розв’язувати за даними, правилами або статистичними закономірностями. Воно також частіше проявляється, коли алгоритм порівнюють із зовнішнім людським радником, а не безпосередньо з власною думкою людини. Саме цю асиметрію показали Logg, Minson і Moore: люди могли цінувати алгоритмічну пораду більше за пораду іншої людини, але значно неохочіше поступалися алгоритму власному судженню.
Інша сторона тієї самої картини — алгоритмічна відраза. Якщо система помиляється, якщо завдання здається суб’єктивним, якщо потрібне врахування унікальних обставин або якщо людина відчуває втрату контролю, готовність покладатися на алгоритм може різко зменшитися. Через це схвалення й відраза не є взаємовиключними «типами людей»: одна й та сама людина може демонструвати різні реакції в різних завданнях.
Науковий статус поняття
Алгоритмічне схвалення — дослідницький конструкт у психології суджень, прийняття рішень і взаємодії людини з алгоритмічними системами. Його не варто автоматично називати когнітивним упередженням: більша вага алгоритмічної поради може бути як помилкою, так і раціональною реакцією на кращу прогностичну якість. Щоб говорити про упередження, потрібен нормативний критерій — наприклад, відомо, що алгоритм у конкретному завданні гірший, але людина все одно систематично переоцінює його.
Так само не слід ототожнювати схвалення з «довірою до ШІ взагалі». У дослідженнях використовують різні залежні змінні: оцінку довіри, вибір радника, готовність користуватися системою, передачу контролю, намір купити послугу або фактичне коригування рішення після поради. Огляд Kaufmann та співавторів (2023) показав, що результати істотно залежать від конкретного завдання та способу вимірювання прийняття алгоритмічної поради.
Звідки походить поняття algorithm appreciation
Ключову назву запропонували Jennifer Logg, Julia Minson і Don Moore у статті 2019 року «Algorithm appreciation: People prefer algorithmic to human judgment». У шести експериментах дослідники перевіряли, як люди використовують поради під час числових оцінок і прогнозів. Центральною поведінковою мірою була вага поради: наскільки далеко фінальна відповідь змістилася від початкової оцінки людини в напрямку отриманої рекомендації. Оригінальна стаття показала, що порада, представлена як алгоритмічна, у низці умов отримувала більшу вагу, ніж аналогічна порада людини.
Цей результат був важливим саме тому, що суперечив простій історії про суцільну «недовіру до машин». Учасники демонстрували схвалення і тоді, коли алгоритмічну та людську поради оцінювали в різних умовах. Водночас ефект слабшав, коли алгоритм конкурував із власною оцінкою учасника, а не з оцінкою іншого радника. Досвідчені прогнозисти також покладалися на алгоритмічну пораду менше за непрофесіоналів; у цих експериментах це погіршувало їхню точність.
Ця деталь пояснює одну з головних плутанин у популярних переказах. Фраза «люди віддають перевагу алгоритмам» не означає, що люди охоче передають машинам будь-які рішення. Початковий феномен стосується передусім порівняльного використання поради в конкретних завданнях. Його межі задаються дизайном дослідження.
Як у дослідженнях вимірюють вагу алгоритмічної поради
У класичній парадигмі «суддя — радник» людина спочатку дає власну оцінку, потім бачить пораду, а далі може змінити відповідь. Показник Weight of Advice (WOA) описує частку відстані до поради, яку людина пройшла під час перегляду рішення: WOA = (фінальна оцінка − початкова оцінка) / (порада − початкова оцінка). Сучасний огляд Kostopoulou (2026) пояснює цю міру як один із центральних інструментів досліджень advice taking.
Наприклад, якщо початкова оцінка дорівнювала 40, радник запропонував 60, а фінальна відповідь стала 50, WOA дорівнює 0,5: людина пройшла половину відстані до поради. Значення 0 означає, що порада не змінила оцінку; 1 — що людина повністю прийняла її. На практиці показник потребує обережної обробки, коли початкова оцінка збігається з порадою або фінальна відповідь виходить за інтервал між ними.
WOA дає змогу вимірювати фактичне використання поради, а не лише відповідь на запитання «наскільки ви довіряєте алгоритму?». Це принципова різниця. Рейтинг довіри, вибір одного радника, намір користуватися системою, делегування рішення й величина корекції власної оцінки відображають пов’язані, але різні процеси. Коли дослідження використовують різні метрики, їхні результати не слід складати в одну просту тезу про «любов» або «недовіру» до алгоритмів.
Що показують сучасні метааналізи й огляди
Наймасштабніший сучасний синтез запропонували Qin та співавтори (2025). Їхній метааналіз охопив 442 ефекти зі 163 досліджень, загалом 82 078 учасників. Автори об’єднали ширшу літературу про перевагу ШІ або людини й запропонували рамку «спроможність — персоналізація». За нею схвалення ШІ частіше виникає, коли ШІ сприймається як компетентніший за людину, а індивідуальне налаштування рішення не здається необхідним. За цих умов середній ефект був на користь ШІ; коли одна або обидві умови не виконувалися, середній ефект зміщувався в бік людського радника.
Важливо не переносити цей метааналітичний результат механічно на кожну ситуацію «порада алгоритму проти поради людини». Метааналіз охоплював різні форми ШІ, різні завдання та різні показники — від ставлень до поведінки. Самі автори виявили модератори: наприклад, схвалення було виразнішим для ставлень, ніж для поведінкових результатів. Отже, позитивна оцінка технології ще не гарантує, що людина реально скористається її порадою.
Інший широкий огляд — Kaufmann та співавторів (2023) — проаналізував 44 дослідження, 122 завдання та 89 751 учасника. У 75% розглянутих завдань автори зафіксували алгоритмічну відразу, тобто нижче прийняття алгоритмічної поради. Це не «спростовує» алгоритмічне схвалення. Результати різняться тому, що дослідження ставлять різні запитання, використовують різні порівняння та завдання, а поведінка залежить від контексту.
Систематичний огляд Mahmud та співавторів (2022) охопив 80 емпіричних досліджень алгоритмічної відрази й згрупував чинники в чотири великі класи: характеристики алгоритму, характеристики людини, властивості завдання та ширший контекст. Автори також звернули увагу на методологічну межу поля: значна частина evidence походить зі сценарних, онлайн- або лабораторних експериментів, тоді як досліджень реального тривалого використання менше.
Чому люди іноді надають алгоритму більше ваги
Сприйнята компетентність
Найпростіший механізм — очікування точності. Якщо людина вважає, що система бачила більше даних, стабільніше застосовує правила або краще знаходить статистичні закономірності, її порада отримує додаткову вагу. У числових прогнозах це може бути цілком обґрунтованим. Проблема виникає тоді, коли ярлик «алгоритм» помилково сприймається як гарантія об’єктивності або переваги без перевірки того, як система працює саме в потрібному домені.
Об’єктивність завдання
У серії досліджень Castelo, Bos і Lehmann (2019) алгоритми отримували менше довіри в завданнях, які люди сприймали як суб’єктивні, і більше — в тих, що здавалися об’єктивними. Автори підтвердили цю закономірність у чотирьох лабораторних дослідженнях із понад 1 400 учасниками та двох польових дослідженнях із понад 56 000 учасниками. Коли сприйняту об’єктивність завдання підвищували, зростали довіра та використання алгоритмів.
Низька потреба в персоналізації
Якщо рішення здається стандартизованим, персоналізація може мати невелику цінність. Якщо ж людині важливо, щоб радник урахував її унікальну історію, мотиви або обставини, перевага може перейти до людини. У медицині Longoni, Bonezzi і Morewedge (2019) показали, що одним із механізмів опору медичному ШІ було відчуття «нехтування унікальністю»: очікування, що автоматизований провайдер гірше врахує особливості конкретного пацієнта.
Дистанція між «моєю думкою» і «думкою іншого»
Люди загалом схильні недостатньо використовувати зовнішні поради й сильніше триматися власної початкової оцінки. Огляд Kostopoulou (2026) описує це як егоцентричне знецінення поради та пояснює класичну систему «суддя — радник», де вимірюють, наскільки фінальна оцінка наближається до отриманої рекомендації. У цьому контексті важлива знахідка Logg та колег: алгоритм може виграти у зовнішнього людського радника, але не обов’язково у власного судження людини.
Коли схвалення змінюється на алгоритмічну відразу
Найвідоміший механізм — реакція на помилку. Dietvorst, Simmons і Massey (2015) у п’яти дослідженнях показали, що після спостереження за помилками алгоритму люди особливо схильні відмовлятися від нього, навіть коли алгоритм у цілому перевершує людського прогнозиста. Вони швидше втрачали довіру до алгоритмічного радника після помилки, ніж до людського.
Цей ефект не означає, що будь-яка помилка завжди руйнує довіру. Важливі частота й ціна помилок, їхня зрозумілість, доступність альтернативи, попередня репутація системи та можливість користувача коригувати результат. У наступній роботі Dietvorst, Simmons і Massey (2018) показали, що навіть невелика можливість змінювати прогноз алгоритму істотно підвищувала готовність користуватися ним. У трьох дослідженнях контроль над фінальним прогнозом був важливішим за сам масштаб дозволеної корекції.
Важливо й те, як система названа. Огляд Mariadassou, Klesse і Boegershausen (2024) пропонує розрізняти реакцію на ярлик «алгоритм» та оцінку самого результату. Частина відрази може виникати через категорію, якою позначено інструмент, дизайн взаємодії або очікування щодо технології, а не через якість конкретної поради.
Алгоритмічне схвалення і алгоритмічна відраза: не два табори, а одна умовна система
У популярному викладі ці поняття іноді подають як протилежні людські схильності: одні «люблять алгоритми», інші «не довіряють машинам». Дані краще описуються контекстною моделлю. Один користувач може покластися на алгоритм під час прогнозу попиту, але віддати перевагу людині в питанні, яке вважає особистим; довіряти системі до першої помітної помилки; повернутися до неї після демонстрації стабільної точності; або приймати рекомендації лише тоді, коли зберігає право остаточного рішення.
Саме тому майбутня канонічна стаття ХАБу про алгоритмічну відразу має окремий intent. Тут центральне питання — за яких умов алгоритмічна порада отримує додаткову вагу. В алгоритмічній відразі центральне питання інше: чому люди відмовляються від алгоритму або знижують його вагу, зокрема після помилок. Порівнювати ці феномени потрібно в межах одного завдання та одного критерію, а не за загальним ставленням до технологій.
Чим алгоритмічне схвалення відрізняється від автоматизаційного упередження
Автоматизаційне упередження описує надмірне покладання на автоматизовану систему, через яке людина може прийняти помилкову рекомендацію або пропустити проблему, бо недостатньо перевіряє автоматизований висновок. Алгоритмічне схвалення має іншу логіку: воно порівнює вагу алгоритмічної та людської поради. Людина може більше довіряти алгоритму, але все одно перевіряти його критично; або не віддавати алгоритму загальної переваги, але в конкретній ситуації механічно прийняти автоматичну рекомендацію.
Отже, алгоритмічне схвалення саме по собі не свідчить про помилку рішення. Щоб оцінити якість поведінки, треба знати, наскільки точним був алгоритм, що знала людина про його якість, чи могла перевірити результат і які наслідки помилки. Для високоризикових сфер правильна мета — каліброване використання автоматизації, а не максимальна довіра.
Чим воно відрізняється від довіри, делегування та алгоритмічного соціального впливу
Довіра — це ставлення або очікування щодо надійності системи. Схвалення — порівняльна поведінкова тенденція надавати алгоритмічній пораді більше ваги. Вони можуть корелювати, але не є тотожними. Людина здатна високо оцінювати технологію й водночас майже не змінювати власне рішення після її поради.
Делегування рішень ШІ стосується передачі системі частини або всього контролю над рішенням. Це ширше за використання поради. Можна врахувати прогноз алгоритму, але залишити рішення за собою; можна й навпаки — дозволити системі виконати рішення за замовчуванням без сильного суб’єктивного відчуття довіри.
Алгоритмічний соціальний вплив описує інший механізм: алгоритмічний відбір, ранжування та персоналізація визначають, які соціальні сигнали й варіанти людина взагалі побачить. Алгоритмічне схвалення починається на наступному рівні — коли порада або оцінка вже присутня і людина вирішує, скільки ваги їй надати.
Алгоритмічне мислення також є окремим поняттям. Воно стосується побудови й виконання послідовностей правил для розв’язання задач, тоді як алгоритмічне схвалення — це психологія прийняття зовнішньої алгоритмічної поради.
Чи є перевага алгоритму раціональною
Іноді — так. Якщо існує надійна зовнішня перевірка, що певна модель у визначеному завданні стабільно точніша за доступного людського радника, більша вага її прогнозу може покращувати рішення. Саме тому некритичне трактування будь-якої «переваги алгоритму» як упередження хибне.
Іноді — ні. Алгоритм може бути натренований на нерелевантних даних, працювати гірше для певної підгрупи, не бачити критичного контексту, бути погано відкаліброваним або використовувати проксі, що не відповідають реальній меті. Ярлик «ШІ» чи «алгоритм» нічого з цього не вирішує. Раціональність покладання на систему визначається її перевіреною якістю саме для поточного завдання, а не технологічним престижем.
Тому в прийнятті рішень корисно відокремлювати два питання. Перше: кому я психологічно більше довіряю? Друге: яка стратегія має кращий доказовий прогноз помилки в цій ситуації? Алгоритмічне схвалення описує перше як поведінкову перевагу; якість рішення оцінюється другим.
Що змінює готовність приймати алгоритмічну пораду
1. Реальна й сприйнята точність
Демонстрація стабільної якості зазвичай підсилює використання системи, але люди реагують не лише на середню точність. Вони помічають характер помилок, їхню зрозумілість і те, чи збігаються ці помилки з їхніми очікуваннями. Один драматичний промах може мати більшу психологічну вагу, ніж багато непомітних правильних прогнозів.
2. Тип завдання
Об’єктивні, кількісні та повторювані завдання частіше створюють умови для алгоритмічного схвалення. У завданнях, де люди очікують емпатії, морального судження, знання біографічного контексту або тонкої індивідуалізації, перевага частіше зміщується до людини. Однак межа «об’єктивне — суб’єктивне» сама є психологічним сприйняттям і може змінюватися залежно від формулювання завдання.
3. Потреба в персоналізації
Чим сильніше людина вважає, що правильна відповідь залежить від унікальних особливостей конкретного випадку, тим важливішою стає здатність системи показати, що ці особливості справді враховано. Метааналіз Qin та співавторів робить персоналізацію однією з двох центральних осей поряд зі сприйнятою спроможністю ШІ.
4. Контроль і можливість виправити систему
Навіть символічна можливість змінити рекомендацію може підтримувати використання алгоритму. Це не обов’язково означає, що користувач справді здатний покращити прогноз. Психологічно важливо саме відчуття участі та збереження агентності. Звідси практичний висновок для дизайну систем: інтерфейс має допомагати людині розуміти межі власного втручання, а не створювати декоративну ілюзію контролю.
5. Власна експертність
Експертність не гарантує ані більшого, ані меншого схвалення. У вихідних експериментах Logg та колег досвідчені прогнозисти менше спиралися на алгоритмічну пораду, і це шкодило точності в конкретному завданні. В інших доменах експерти можуть краще розпізнавати, коли система не врахувала суттєву інформацію. Ключовим є не статус «експерта», а здатність правильно оцінити відносну якість власного судження та моделі.
6. Спосіб представлення системи
Назва, пояснення, видимість джерел даних, формат невизначеності й те, чи показана система як автономний «суддя» або як інструмент підтримки, змінюють реакцію користувача. Робота Mariadassou та колег нагадує, що дослідження повинні розрізняти ставлення до ярлика й реакцію на фактичний результат. У практиці це означає: маркетингове слово «ШІ» не є валідним доказом якості й не повинно замінювати інформацію про точність, межі застосування та контроль.
Практичне значення: як користуватися алгоритмічними порадами без сліпої довіри
Корисна стратегія — не шукати правильну «частку довіри до ШІ взагалі», а калібрувати довіру до конкретної системи в конкретній задачі. Спочатку варто встановити, що саме прогнозує система і за яким критерієм її можна перевірити. Далі — подивитися на незалежні дані про точність, типові помилки, межі застосування й порівняння з реалістичною людською альтернативою.
Особливо важливо розрізняти рекомендацію та рішення. Порада може бути ще одним джерелом інформації, яке людина зважує разом з іншими даними. У високоризикових сферах на кшталт медицини, фінансів або безпеки сам факт наявності алгоритмічної рекомендації не скасовує професійних процедур перевірки та відповідальності.
Каліброване використання передбачає й готовність змінювати вагу системи після нових даних. Якщо модель стабільно працює краще — її внесок можна збільшувати. Якщо контекст змінився, з’явився розподільчий зсув або система демонструє типові помилки — вагу потрібно зменшувати. Це динамічна оцінка, а не одноразовий акт «довіри».
Ризики неправильного тлумачення
Перший ризик — перетворити умовний ефект на тезу «люди люблять алгоритми». Систематичні огляди й метааналізи показують складнішу картину, де напрям переваги залежить від завдання, персоналізації, контролю, досвіду та дизайну дослідження.
Другий ризик — плутати прийняття поради з точністю. Людина може правильно довіритися сильнішому алгоритму або помилково переоцінити слабкий. Сам факт схвалення не визначає, чи було рішення добрим.
Третій ризик — переносити результати між доменами. Дані з прогнозування продажів не дають автоматичного права робити висновки про медичну діагностику, моральні дилеми або психотерапевтичні рішення. Для кожного домену потрібні власні дані про якість системи та людську взаємодію з нею.
Четвертий ризик — антропоморфізувати систему. Психологічна готовність людини довіряти алгоритму описує поведінку людини. Вона не є доказом того, що система має свідомість, почуття, наміри чи суб’єктивний досвід.
П’ятий ризик — вважати, що більше прийняття ШІ завжди бажане. У прикладних системах ціль полягає в адекватному співвідношенні довіри й перевірки. І відраза до сильного алгоритму, і безумовне схвалення слабкого алгоритму можуть погіршувати результат.
Що наука ще не знає достатньо добре
Поле швидко зростає, але має важливі прогалини. Потрібно більше довготривалих досліджень, де люди користуються реальною системою, бачать її успіхи й помилки та поступово навчаються оцінювати її. Mahmud та колеги підкреслювали дефіцит польових досліджень, а Kaufmann та колеги — недостатню представленість поздовжніх дизайнів і деяких характеристик користувачів та завдань.
Також потрібне точніше розрізнення систем: статистична формула, рекомендаційний алгоритм, предиктивна модель, генеративний ШІ, автономний агент і робот створюють різні форми взаємодії. Метааналіз Qin та співавторів прямо показав, що навіть фізична форма системи та тип вимірюваного результату можуть модифікувати ефект. Тому слово «ШІ» не повинно приховувати технічні й функціональні відмінності.
Часті запитання
Алгоритмічне схвалення — це те саме, що довіра до штучного інтелекту?
Ні. Довіра — ширше ставлення до надійності системи. Алгоритмічне схвалення описує порівняльну перевагу або більшу вагу алгоритмічної поради відносно людської. Людина може позитивно ставитися до ШІ, але майже не враховувати його пораду, і навпаки.
Чому існують одночасно алгоритмічне схвалення й алгоритмічна відраза?
Тому що реакція залежить від контексту. Об’єктивність завдання, потреба в персоналізації, помилки системи, можливість контролю, власна експертність і спосіб представлення алгоритму змінюють його відносну привабливість. Сучасні метааналітичні дані прямо підтримують умовну, а не універсальну модель.
Чи починають люди уникати алгоритму після першої помилки?
Не обов’язково. Класичні дослідження показують підвищену чутливість до помилок алгоритму, але реальна реакція залежить від їхньої частоти, ціни, очікуваності, альтернатив і попереднього досвіду. Можливість коригувати результат також може зменшувати відразу.
Чи експерти більше довіряють алгоритмам?
Єдиного правила немає. У дослідженні Logg та колег досвідчені прогнозисти надавали алгоритмічній пораді менше ваги, ніж непрофесіонали. В інших завданнях експерт може краще бачити межі системи. Тому експертність слід аналізувати разом із конкретним доменом і реальною якістю моделі.
Чи варто завжди слухати алгоритм, якщо він точніший за людину?
Якщо перевага точності надійно доведена саме для вашого типу задачі й немає критичної інформації, яку система не враховує, більша вага такого прогнозу може бути раціональною. Для високоризикових рішень потрібні додаткові процедури контролю, перевірки та професійної відповідальності.
Алгоритмічне схвалення — це когнітивне упередження?
Саме по собі — ні. Воно описує напрям порівняльного покладання на пораду. Щоб назвати його упередженням у конкретній ситуації, потрібно показати систематичне відхилення від обґрунтованого критерію, наприклад переоцінювання завідомо слабшої системи.
Пов’язані статті
Джерела / References
Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-Dependent Algorithm Aversion. Journal of Marketing Research, 56(5), 809–825. https://doi.org/10.1177/0022243719851788
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them. Management Science, 64(3), 1155–1170. https://doi.org/10.1287/mnsc.2016.2643
Kaufmann, E., Chacon, A., Kausel, E. E., Herrera, N., & Reyes, T. (2023). Task-specific algorithm advice acceptance: A review and directions for future research. Data and Information Management, 7(3), 100040. https://doi.org/10.1016/j.dim.2023.100040
Kostopoulou, O. (2026). Advice taking in medical decision making. La Presse Médicale, 55(4), 104360. https://doi.org/10.1016/j.lpm.2026.104360
Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90–103. https://doi.org/10.1016/j.obhdp.2018.12.005
Longoni, C., Bonezzi, A., & Morewedge, C. K. (2019). Resistance to Medical Artificial Intelligence. Journal of Consumer Research, 46(4), 629–650. https://doi.org/10.1093/jcr/ucz013
Mahmud, H., Islam, A. K. M. N., Ahmed, S. I., & Smolander, K. (2022). What influences algorithmic decision-making? A systematic literature review on algorithm aversion. Technological Forecasting and Social Change, 175, 121390. https://doi.org/10.1016/j.techfore.2021.121390
Mariadassou, S., Klesse, A.-K., & Boegershausen, J. (2024). Averse to what: Consumer aversion to algorithmic labels, but not their outputs? Current Opinion in Psychology, 58, 101839. https://doi.org/10.1016/j.copsyc.2024.101839
Qin, X., Zhou, X., Chen, C., Wu, D., Zhou, H., Dong, X., Cao, L., & Lu, J. G. (2025). AI aversion or appreciation? A capability-personalization framework and a meta-analytic review. Psychological Bulletin, 151(5), 580–599. https://doi.org/10.1037/bul0000477