Nacrt seminarskog rada: Kognitivni mehanizmi interakcije čovjeka i umjetne inteligencije: povjerenje, antropomorfizacija i donošenje odluka

Uvod

Interakcija čovjeka i umjetne inteligencije nije samo tehnički odnos korisnika i alata. Povjerenje u AI oblikuje se socijalnim i kontekstualnim zaključivanjem o određenom sustavu, njegovim sposobnostima i pouzdanosti. Pritom treba razlikovati pouzdanost sustava, povjerenje korisnika i ponašanje oslanjanja. Ti konstrukti jesu povezani, ali nisu istovjetni i ne moraju se kretati u istom smjeru (Lee i See, 2004; Hoff i Bashir, 2015; Glikson i Woolley, 2020).

Zato središnje pitanje nije vjeruju li ljudi AI-ju, nego odgovara li njihovo oslanjanje stvarnim sposobnostima i ograničenjima sustava. Povjerenje u AI nije jedinstvena osobina neovisna o okolnostima. Na njega utječu konkretni agent, zadatak, ulozi, prethodno iskustvo, korisnikovi ciljevi i način predstavljanja sustava (Kaplan i sur., 2023).

Antropomorfizacija je važan mehanizam u tom procesu. Ona označava pripisivanje ljudskih karakteristika neljudskim entitetima, uključujući namjere, emocije, osobnost i razumijevanje. Kod AI sustava takvo pripisivanje mogu potaknuti ljudski komunikacijski i perceptivni signali, uključujući glas, lice i način razgovora. Antropomorfizacija, međutim, nije isto što i objektivna inteligencija sustava niti dokazuje empatiju, svijest ili društveno razumijevanje (Epley, Waytz i Cacioppo, 2007; Nass i Moon, 2000).

Teorijski okvir

Društveni odgovor na računalne sustave

U tradiciji pristupa CASA i knjige The Media Equation opisano je da ljudi prema računalima mogu primjenjivati društvena pravila pristojnosti, reciprociteta, društvenih kategorija i procjene osobnosti. Takvi odgovori ne moraju značiti da korisnik svjesno smatra računalo čovjekom. Društvene reakcije mogu biti automatske i situacijski potaknute (Nass i Moon, 2000).

The Media Equation monografija je iz 1996. o društvenim odgovorima na računala i medije te u ovom radu služi kao povijesna teorijska podloga (Reeves i Nass, 1996).

Antropomorfizacija

Epley, Waytz i Cacioppo antropomorfizaciju objašnjavaju dostupnošću ljudskog znanja o agentima, motivacijom da se ponašanje objasni i razumije te motivacijom za socijalnim kontaktom. Kod AI sustava ljudski jezik može učiniti ljudske sheme posebno dostupnima, dok neizvjesnost o načinu rada sustava može povećati potrebu za objašnjenjem. Socijalna motivacija objašnjava jedan izvor antropomorfizacije, ali sama po sebi ne dokazuje mentalno stanje sustava (Epley, Waytz i Cacioppo, 2007).

Antropomorfizaciju ne treba tretirati kao jednu intervenciju s jedinstvenim učinkom. Glas, lice, ime, emocionalni stil, gramatičko „ja”, društvena toplina i ponašanje agenta mogu djelovati različito. Nalazi se razlikuju među sustavima i modalitetima, pa pojedinačni pozitivni rezultati nisu dovoljni za zaključak da antropomorfizacija općenito povećava povjerenje.

U istraživanju autonomnog vozila antropomorfizacija je bila povezana s većim povjerenjem (Waytz, Heafner i Epley, 2014). Nasuprot tomu, istraživanje probabilističkog sustava za detekciju signala nije pronašlo da jednostavne antropomorfne manipulacije povećavaju doživljaj ljudskosti, povjerenje ili izvedbu (Cockram, Bartlett i McCarley, 2023). Sustavni pregled i meta-analiza istraživanja automatiziranih vozila također nisu pronašli opći učinak antropomorfizacije na povjerenje; ljudski glas imao je skroman učinak u nekim uvjetima, dok vizualni signali sami po sebi nisu pokazali stabilan učinak (Jin i sur., 2026).

Pregledni rad o antropomorfnim konverzacijskim agentima upozorava na razliku između uvjerljive ljudske komunikacije i stvarnog razumijevanja. Bibliografski zapis rad Chaturvedija, Verme, Srivastave i Khota opisuje kao pregled antropomorfizacije u AI agentima i povezanim poslovnim i korisničkim kontekstima. Riječ je o preglednom izvoru koji ne treba predstavljati kao primarni eksperiment ili kvantitativnu sintezu (Peter, Riemer i West, 2025; Chaturvedi i sur., 2025).

Povjerenje i ponašanje oslanjanja

Model povjerenja u automatizaciju povjerenje tretira kao mehanizam koji usmjerava oslanjanje u situacijama kada korisnik ne može potpuno razumjeti sustav ili predvidjeti sve njegove reakcije. Kasniji pregledi razmatraju dispozicijske osobine korisnika, situacijsko povjerenje i čimbenike sustava. Meta-analitički nalazi potvrđuju da se povjerenje oblikuje u odnosu između korisnika, sustava i konteksta, a ne samo na temelju točnosti algoritma (Lee i See, 2004; Hoff i Bashir, 2015; Schaefer i sur., 2016; Kaplan i sur., 2023).

Važna je metodološka razlika između samoprocjene i ponašanja. Dio istraživanja povjerenje mjeri samoprocjenom nakon kratke interakcije, dok druga promatraju izbor preporuke, prihvaćanje pogrešnog savjeta, vrijeme provjere ili spremnost na nastavak korištenja. Zbog toga veće samoprocijenjeno povjerenje ne treba automatski tumačiti kao veće ili primjerenije oslanjanje (Vereschak, Bailly i Caramiaux, 2021).

Najoprezniji zaključak jest da cilj nije povećavati povjerenje neovisno o okolnostima, nego uskladiti oslanjanje sa stvarnim sposobnostima sustava i zahtjevima zadatka. Kalibrirano oslanjanje u ovom je radu normativna i dizajnerska implikacija, a ne opće potvrđeni ishod u svim domenama.

Kognitivne pristranosti

Automatizacijska pristranost i samozadovoljstvo

Automatizacijska pristranost odnosi se na prihvaćanje preporuke sustava bez dovoljne provjere. Automatizacijsko samozadovoljstvo odnosi se na smanjenu pažnju prema sustavu zato što se očekuje da će automatizacija pravodobno otkriti probleme. Oba su fenomena povezana s raspodjelom pažnje i opterećenjem zadatkom, a ne samo s jednostavnim „vjerovanjem u tehnologiju” (Parasuraman i Manzey, 2010).

Algoritamska odbojnost i algoritamsko uvažavanje

Algoritamska odbojnost može nastati nakon vidljive pogreške algoritma, čak i kada algoritam ima bolje prosječne rezultate. Korisnici se tada mogu okrenuti ljudskoj procjeni nakon što vide da algoritam griješi (Dietvorst, Simmons i Massey, 2015).

Suprotan obrazac opisan je kao algoritamsko uvažavanje. U šest eksperimenata korisnici su ponekad više slijedili isti savjet kada su vjerovali da dolazi od algoritma nego kada su vjerovali da dolazi od čovjeka (Logg, Minson i Moore, 2019). Ova dva obrasca nisu međusobno isključiva. Korisnici nisu dosljedno ni protiv ni za algoritme; obrasci se u navedenim istraživanjima razlikuju prema opaženim pogreškama, vrsti zadatka i ozbiljnosti scenarija.

Ozbiljnost scenarija

U istraživanju Filiz i suradnika sudionici su birali između algoritma s navedenom uspješnošću od 70% i čovjeka s uspješnošću od 60%. Algoritam je odabran u 70,83% trivijalnih scenarija, ali u 50,7% scenarija s potencijalno ozbiljnim posljedicama (Filiz i sur., 2023).

Ovaj nalaz pokazuje da se izbor algoritma razlikovao među scenarijima različite ozbiljnosti. Ozbiljnost scenarija pritom se preklapa s moralnošću, subjektivnošću, poznatošću i drugim značajkama scenarija. Razliku zato nije opravdano pripisati samo moralnosti, odgovornosti ili uokvirivanju odluke.

Donošenje odluka

Korist AI preporuke ne nastaje iz samog postojanja preporuke. Ovisi o tome može li korisnik prepoznati kada je sustav nepouzdan, razumjeti granice preporuke te imati dovoljno vremena i motivacije za neovisnu provjeru.

U eksperimentu s kognitivnim prisilnim funkcijama takve su intervencije smanjile prekomjerno oslanjanje na AI u odnosu na jednostavna objašnjenja. Istodobno su dobile lošije subjektivne ocjene, a snažnije su koristile sudionicima s većom potrebom za kognitivnim naporom. Ovaj nalaz podupire tvrdnju o mogućem smanjenju prekomjernog oslanjanja, ali ne potvrđuje opće poboljšanje kvalitete odluka (Buçinca, Malaya i Gajos, 2021).

Odluke stoga treba analizirati kroz odnos između pažnje, kognitivnog napora, procjene sposobnosti sustava i ponašanja oslanjanja. Samoprocjena povjerenja nije zamjena za mjerenje stvarnog ponašanja i kvalitete odluke.

Obrazovanje, poslovanje i svakodnevni život

Obrazovanje

Kvalitativno istraživanje o ChatGPT-u izvještava o percepcijama obrazovnih djelatnika. Sudionici su navodili koristi poput planiranja nastave i personaliziranog učenja, ali i rizike netočnih informacija, varanja i slabljenja kognitivnih vještina. Studija izvještava o percepcijama obrazovnih djelatnika i ne mjeri ishode učenja (izvor I23 u dosjeu).

Ovaj nalaz može poslužiti za prikaz načina na koji obrazovni djelatnici procjenjuju koristi i rizike AI sustava. Ne treba ga proširiti u zaključak o povećanju angažmana učenika ili studenata, kvaliteti učenja ili općem učinku antropomorfizacije u obrazovanju.

Poslovanje i rad

U tri kontrolirana eksperimenta kandidati za posao procijenili su AI agenta za evaluaciju kao manje pouzdanog od ljudskog evaluatora, što je smanjilo namjeru prihvaćanja posla (izvor I24 u dosjeu).

Otvoreni izvor o algoritamskom upravljanju izvještava o nižim procjenama društvenog statusa rada u usporedbi s ljudskim upravljanjem. Ovi nalazi odnose se na specifične scenarije. Ne treba ih predstavljati kao opći zaključak o poslovnom povjerenju, AI menadžmentu, pravednosti, autonomiji ili mogućnosti osporavanja u cijelom poslovnom kontekstu.

Svakodnevni život

Primjeri poput navigacije, zdravstvenih chatbotova, sustava za kupnju i autonomnih vozila mogu ilustrirati napetost između brzine i provjere. U svakodnevnim situacijama korisnik može prihvatiti preporuku ili potražiti alternativu. Ovi su primjeri ilustrativni, a ne zaseban empirijski pregled svih navedenih sustava.

Ljudski uvjerljiva komunikacija sama po sebi ne potvrđuje stvarno razumijevanje ili empatiju sustava (Peter, Riemer i West, 2025).

Metodološke granice

Postojeća istraživanja opterećena su neujednačenim definicijama. Antropomorfizacija može značiti vizualnu ljudskost, pripisivanje mentalnog stanja, društvenu prisutnost ili doživljaj topline. Te mjere ne treba tretirati kao isti konstrukt.

Važno je razlikovati percepciju i ponašanje. Sudionik može izjaviti da vjeruje AI-ju, a ipak provjeriti svaku preporuku. Može iskazati oprez, a zatim slijediti netočan savjet.

Promjena avatara, glasa ili imena ne mora doista povećati antropomorfizaciju. Negativan rezultat može značiti da manipulacija nije uspjela, a ne da antropomorfizacija nema učinka. Osim toga, početno povjerenje razlikuje se od povjerenja koje se razvija kroz ponavljane uspjehe, pogreške i popravke.

Laboratorijski izbor između čovjeka i algoritma nije jednak odluci o zapošljavanju, medicinskom savjetu, obrazovnom napretku ili stvarnom financijskom riziku. Pregledi istraživanja povjerenja upozoravaju na kratke, male i eksperimentalne studije te ograničenu generalizaciju na dugoročna i visokorizična terenska okruženja (Glikson i Woolley, 2020).

Meta-analiza tretira karakteristike korisnika kao jednu od skupina mogućih prediktora povjerenja u AI (Kaplan i sur., 2023). To ne opravdava šire zaključke o potvrđenim kulturnim ili demografskim razlikama.

Zaključak

Povjerenje u AI, antropomorfizacija i kognitivne pristranosti oblikuju uvjete pod kojima se korisnici oslanjaju na AI, ali njihovi učinci nisu univerzalni ni međusobno zamjenjivi. Pouzdanost sustava, povjerenje korisnika i ponašanje oslanjanja različiti su konstrukti, a njihovu povezanost treba ispitivati u odnosu na konkretan zadatak, kontekst i način mjerenja.

Antropomorfizacija može u pojedinim sustavima i zadacima biti povezana s većim povjerenjem, ali drugi nalazi ne pokazuju isti učinak. Automatizacijska pristranost, automatizacijsko samozadovoljstvo, algoritamska odbojnost i algoritamsko uvažavanje također nastaju u različitim uvjetima. Korisnici stoga nisu dosljedno ni protiv ni za algoritme.

Obrazovni, poslovni i svakodnevni primjeri mogu pokazati kako se ti procesi pojavljuju u specifičnim situacijama, ali ne podupiru opću tvrdnju da AI ili antropomorfizacija sami po sebi poboljšavaju donošenje odluka. Kalibrirano oslanjanje ostaje normativni i dizajnerski cilj, a ne opće empirijski potvrđeno rješenje.

Literatura

1. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). “To Trust or to Think: Cognitive Forcing Functions Can Reduce Overreliance on AI in AI-Assisted Decision-Making.” Proceedings of the ACM on Human-Computer Interaction, 5, 1–21. DOI: 10.1145/3449287 prema zapisu rada. https://arxiv.org/abs/2102.09692
2. Chaturvedi, R., Verma, S., Srivastava, V., & Khot, S. S. (2025). “Exploring the Frontier of Anthropomorphism in AI Agents: Trends and Way Forward.” Business and Society Review, 130(1), 42–80. DOI: 10.1111/basr.70002. https://www.econbiz.de/Record/exploring-the-frontier-of-anthropomorphism-in-ai-agents-trends-and-way-forward-chaturvedi-rijul/10015395832
3. Cockram, L., Bartlett, M. L., & McCarley, J. S. (2023). “Simple Manipulations of Anthropomorphism Fail to Induce Perceptions of Humanness or Improve Trust in an Automated Agent.” Applied Ergonomics, 111, 104027. DOI: 10.1016/j.apergo.2023.104027. https://pubmed.ncbi.nlm.nih.gov/37100010/
4. Dietvorst, B. J., Simmons, J. P. i Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114–126. https://faculty.wharton.upenn.edu/wp-content/uploads/2016/11/20-Dietvorst-Simmons-Massey-2015.pdf
5. Epley, N., Waytz, A., & Cacioppo, J. T. (2007). “On Seeing Human: A Three-Factor Theory of Anthropomorphism.” Psychological Review, 114(4), 864–886. DOI: 10.1037/0033-295X.114.4.864. https://pubmed.ncbi.nlm.nih.gov/17907867/
6. Filiz, I., Judek, J. R., Lorenz, M., & Spiwoks, M. (2023). “The Extent of Algorithm Aversion in Decision-Making Situations with Varying Gravity.” PLoS ONE, 18(2), e0278751. DOI: 10.1371/journal.pone.0278751. https://journals.plos.org/plosone/article/file?id=10.1371%2Fjournal.pone.0278751&type=printable
7. Glikson, E., & Woolley, A. W. (2020). “Human Trust in Artificial Intelligence: Review of Empirical Research.” Academy of Management Annals, 14(2), 627–660. DOI: 10.5465/annals.2018.0057. https://cris.technion.ac.il/en/publications/human-trust-in-artificial-intelligence-review-of-empirical-resear/
8. Hoff, K. A., & Bashir, M. (2015). “Trust in Automation: Integrating Empirical Evidence on Factors That Influence Trust.” Human Factors, 57(3), 407–434. DOI: 10.1177/0018720814547570. https://scholars.duke.edu/publication/1163926
9. Jin, W. et al. (2026). “How Does the Anthropomorphism of Automated Vehicles Shape Human Trust? A Systematic Review and Meta-Analysis.” Transportation Research Part F: Traffic Psychology and Behaviour, 121, 103720. DOI: 10.1016/j.trf.2026.103720. https://www.sciencedirect.com/science/article/pii/S1369847826002159
10. Kaplan, A. D., Kessler, T. T., Brill, J. C., & Hancock, P. A. (2023). “Trust in Artificial Intelligence: Meta-Analytic Findings.” Human Factors, 65(2), 337–359. DOI: 10.1177/00187208211013988. https://pubmed.ncbi.nlm.nih.gov/34048287/
11. Lee, J. D., & See, K. A. (2004). “Trust in Automation: Designing for Appropriate Reliance.” Human Factors, 46(1), 50–80. DOI: 10.1518/hfes.46.1.50_30392. https://pubmed.ncbi.nlm.nih.gov/15151155/
12. 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. DOI: 10.1016/j.obhdp.2018.12.005. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2941774
13. Nass, C., & Moon, Y. (2000). “Machines and Mindlessness: Social Responses to Computers.” Journal of Social Issues, 56, 81–103. DOI: 10.1111/0022-4537.00153. https://doi.org/10.1111/0022-4537.00153
14. Parasuraman, R., & Manzey, D. H. (2010). “Complacency and Bias in Human Use of Automation: An Attentional Integration.” Human Factors, 52(3), 381–410. DOI: 10.1177/0018720810376055. https://pubmed.ncbi.nlm.nih.gov/21077562/
15. Peter, S., Riemer, K., & West, J. D. (2025). “The Benefits and Dangers of Anthropomorphic Conversational Agents.” Proceedings of the National Academy of Sciences, 122(22), e2415898122. DOI: 10.1073/pnas.2415898122. https://pmc.ncbi.nlm.nih.gov/articles/PMC12146756/
16. Reeves, B., & Nass, C. (1996). The Media Equation: How People Treat Computers, Television, and New Media Like Real People and Places. CSLI Publications/Cambridge University Press. https://library.usi.edu/record/195132
17. Schaefer, K. E., Chen, J. Y. C., Szalma, J. L., & Hancock, P. A. (2016). “A Meta-Analysis of Factors Influencing the Development of Trust in Automation.” Human Factors, 58(3), 377–400. DOI: 10.1177/0018720816634228. https://pubmed.ncbi.nlm.nih.gov/27005902/
18. Vereschak, O., Bailly, G., & Caramiaux, B. (2021). “How to Evaluate Trust in AI-Assisted Decision Making? A Survey of Empirical Methodologies.” Proceedings of the ACM on Human-Computer Interaction, 5, Article 327. DOI: 10.1145/3476068. https://baptistecaramiaux.com/assets/pdf/vereschak_how_2021.pdf
19. Waytz, A., Heafner, J., & Epley, N. (2014). “The Mind in the Machine: Anthropomorphism Increases Trust in an Autonomous Vehicle.” Journal of Experimental Social Psychology, 52, 113–117. DOI: 10.1016/j.jesp.2014.01.005. https://www.sciencedirect.com/science/article/abs/pii/S0022103114000067

PROVJERA BROJEVA

Broj ili brojčani raspon	Mjesto u tekstu	Izvor
70%, 60%, 70,83%, 50,7%	Odjeljak „Ozbiljnost scenarija”	Filiz i sur. (2023), PLoS ONE, 18(2), e0278751
1996.	Odjeljak „Društveni odgovor na računalne sustave”	Reeves i Nass (1996)
2004.	Odjeljak „Povjerenje i ponašanje oslanjanja”	Lee i See (2004)
2007.	Odjeljak „Antropomorfizacija”	Epley, Waytz i Cacioppo (2007)
2010.	Odjeljak „Automatizacijska pristranost i samozadovoljstvo”	Parasuraman i Manzey (2010)
2014.	Odjeljak „Antropomorfizacija”	Waytz, Heafner i Epley (2014)
2015.	Odjeljak „Algoritamska odbojnost i algoritamsko uvažavanje”	Dietvorst, Simmons i Massey (2015)
2016.	Literatura	Schaefer i sur. (2016)
2019.	Odjeljak „Algoritamska odbojnost i algoritamsko uvažavanje”	Logg, Minson i Moore (2019)
2020.	Odjeljak „Povjerenje i ponašanje oslanjanja”	Glikson i Woolley (2020)
2021.	Odjeljak „Povjerenje i ponašanje oslanjanja” i literatura	Vereschak, Bailly i Caramiaux (2021); Buçinca, Malaya i Gajos (2021)
2023.	Odjeljak „Antropomorfizacija”, „Povjerenje i ponašanje oslanjanja” i literatura	Cockram, Bartlett i McCarley (2023); Kaplan i sur. (2023); Filiz i sur. (2023)
2025.	Odjeljak „Antropomorfizacija” i literatura	Peter, Riemer i West (2025); Chaturvedi i sur. (2025)
2026.	Odjeljak „Antropomorfizacija” i literatura	Jin i sur. (2026)
Brojevi svezaka, brojeva izdanja, stranica, članaka i DOI oznaka	Literatura	Bibliografski zapisi preneseni iz ulaza; nema dodatnih izračunatih ili izvedenih brojki

RUPE U POKRIVENOSTI

Područje	Što ulaz ne pokriva	Posljedica za tekst
Obrazovanje	Nema potpore za opći učinak antropomorfizacije na angažman, kvalitetu učenja ili ishode učenja.	Odjeljak je ograničen na percepcije obrazovnih djelatnika te navedene koristi i rizike.
Poslovanje i rad	Nema potpore za opću teoriju poslovnog povjerenja, AI menadžmenta, pravednosti, autonomije ili mogućnosti osporavanja.	Odjeljak je ograničen na specifične nalaze o evaluaciji kandidata i društvenom statusu rada.
Svakodnevni život	Nema zasebnih empirijskih nalaza za navigaciju, zdravstvene chatbotove i sustave kupnje.	Primjeri su zadržani samo kao ilustracija napetosti između brzine i provjere.
Generativna AI	Ne postoji dovoljan korpus za opću tvrdnju o ponašanju svih generativnih sustava.	Zaključci su ograničeni na izvore i sustave opisane u dosjeu.
Dugoročno povjerenje	Većina istraživanja koristi kratke laboratorijske zadatke, samoprocjene i ograničene uzorke.	Nisu izvedeni zaključci o dugoročnom ponašanju ili stvarnim odlukama visokog rizika.
Kulturne i demografske razlike	Ulaz potvrđuje samo da su karakteristike korisnika jedna skupina mogućih prediktora povjerenja u AI.	Nisu uvedene tvrdnje o potvrđenim kulturnim ili demografskim razlikama.

PRIMIJENJENE ZAKLJUČANE ODLUKE

Broj odluke	Mjesto u tekstu	Primjena
4	Odjeljak „Uvod” i „Antropomorfizacija”	Popis antropomorfnih signala ograničen je na glas, lice i način razgovora.
6	Odjeljak „Društveni odgovor na računalne sustave”	The Media Equation prikazana je kao povijesna teorijska podloga.
7	Odjeljak „Antropomorfizacija”	Peterov rad opisan je samo prema potvrđenom opsegu pregleda.
8	Odjeljak „Antropomorfizacija”	Chaturvedijev rad označen je kao pregledni izvor, a ne kao eksperiment ili kvantitativna sinteza.
9	Cijeli tekst	Nije vraćena tvrdnja o otpornosti povjerenja nakon pogrešaka sustava.
13	Odjeljak „Povjerenje i ponašanje oslanjanja”	Kalibrirano oslanjanje formulirano je kao normativna i dizajnerska implikacija.
15	Odjeljak „Obrazovanje”	Uklonjena je tvrdnja o razlikovanju povjerenja učenika i kvalitete učenja.
16	Odjeljak „Obrazovanje”	Studija je opisana kao istraživanje percepcija obrazovnih djelatnika koje ne mjeri ishode učenja.
17	Odjeljak „Poslovanje i rad”	Zadržana je uža tvrdnja o nižim procjenama društvenog statusa rada.
18	Odjeljak „Poslovanje i rad”	Nije vraćena tvrdnja o humaniziranju AI menadžera i legitimnosti odluka.
19	Odjeljak „Svakodnevni život”	Zadržana je uža tvrdnja o komunikacijskoj uvjerljivosti, razumijevanju i empatiji.
20	Odjeljak „Antropomorfizacija”	Socijalna motivacija prikazana je kao jedan izvor antropomorfizacije, bez tvrdnje o dobrobiti.
21	Odjeljak „Metodološke granice”	Karakteristike korisnika navedene su kao skupina mogućih prediktora povjerenja.
22	Zaključak	Sinteza je raspoređena u odvojene tvrdnje o povjerenju, antropomorfizaciji i pristranostima.
23	Odjeljak „Antropomorfizacija” i zaključak	Učinak antropomorfizacije opisan je kao različit među sustavima i modalitetima.
24	Cijeli tekst	Nije uvedena tvrdnja o ponašanju generativnih sustava ovisno o modelu, sučelju, memoriji, pravilima i vremenu mjerenja.

Kontrolna lista iz debate

Stavka	Status
Pouzdanost sustava, povjerenje i oslanjanje prikazani su kao različiti konstrukti.	Prošlo
Nema linearnog prikaza odnosa povjerenja i oslanjanja.	Prošlo
Oznake razine dokaza ograničene su opsegom nalaza.	Prošlo
Antropomorfizacija je vezana uz konkretne signale i kontekste.	Prošlo
Nema tvrdnje o povećanju otpornosti povjerenja nakon pogreške.	Prošlo
Nema tvrdnje o povećanju angažmana učenika ili studenata.	Prošlo
Obrazovni nalaz ograničen je na percepcije obrazovnih djelatnika.	Prošlo
Nema tvrdnje o učinku humaniziranja AI menadžera na legitimnost.	Prošlo
Poslovni nalazi označeni su kao specifični, a ne opći.	Prošlo
Svakodnevni primjeri predstavljeni su ilustrativno.	Prošlo
Nalaz o ozbiljnosti scenarija nije pripisan samo moralnosti, odgovornosti ili uokvirivanju.	Prošlo
AI nije opisan kao opći uzrok poboljšanja odluka.	Prošlo
Kognitivne prisilne funkcije opisane su kroz smanjenje prekomjernog oslanjanja.	Prošlo
Zaključak ne izjednačuje sve kategorije „najčvršćih nalaza”.	Prošlo
Kalibrirano oslanjanje prikazano je kao cilj dizajna.	Prošlo
Nema tvrdnje o ponašanju generativnih sustava ovisno o modelu, sučelju, memoriji, pravilima i vremenu mjerenja.	Prošlo
Nema tvrdnje o potvrđenim kulturnim ili demografskim razlikama.	Prošlo
The Media Equation prikazana je kao povijesna teorijska podloga.	Prošlo
Chaturvedijev rad prikazan je kao pregledni izvor.	Prošlo
Nema zaključaka o empatiji, svijesti, društvenom razumijevanju ili mentalnom stanju sustava.	Prošlo
Nijedan laboratorijski nalaz nije proširen na sve AI sustave i domene.	Prošlo
Obrazovanje, poslovanje i svakodnevni život imaju uži doseg od općih tvrdnji o AI-ju.	Prošlo
Zaključak ne tvrdi da AI ili antropomorfizacija sami po sebi poboljšavaju odlučivanje.	Prošlo