Leadership coaching develops managers but is expensive and difficult to scale. AI may be able to help scale access, but “answering machine” like AI coaching agents invite cognitive offloading and weaken learning. We instantiated a human coaching protocol, supported across prior cycles, as a text-based AI coach built to prompt reflective questioning. In the fourth cycle of a design-based research program at a global consulting firm, eight managers received the same protocol from a human coach and the AI coach, applied each session in an observed onboarding activity, and reflected on both in interviews. All eight welcomed the probing questions and preferred the human coach. Notably, they resisted the same protocol of questioning from the AI coach and wanted answers from it instead. This study’s theoretical contribution is the Reflection Penalty, the cost an AI coach pays for asking a user to do the reflective work that makes human coaching effective. Its practical contribution is a jobs-to-be-done map for AI coaching, assembled from proposals participants raised on their own. It divides coaching into distinct jobs and assigns each to the human or the AI best suited to it. Both contributions are offered to those designing AI tools that aim to support reflection
مربیگری رهبری به توسعهٔ مدیران کمک می‌کند اما پرهزینه و دشوار برای مقیاس‌پذیری است. هوش مصنوعی ممکن است بتواند دسترسی را مقیاس‌پذیر کند، اما عامل‌های مربیگری مبتنی بر هوش مصنوعی که شبیه «دستگاه پاسخگو» عمل می‌کنند، منجر به واگذاری شناختی و تضعیف یادگیری می‌شوند. ما یک پروتکل مربیگری انسانی را که در چرخه‌های قبلی پشتیبانی شده بود، به‌صورت یک مربی مبتنی بر متن با هدف پرسشگری تأملی به‌عنوان مربی هوش مصنوعی پیاده‌سازی کردیم. در چهارمین چرخهٔ یک برنامهٔ پژوهش مبتنی بر طراحی در یک شرکت مشاورهٔ جهانی، هشت مدیر همان پروتکل را از یک مربی انسانی و مربی هوش مصنوعی دریافت کردند، هر جلسه را در یک فعالیت مشاهده‌شدهٔ آشنایی به کار بردند و در مصاحبه‌ها دربارهٔ هر دو تأمل کردند. هر هشت نفر پرسش‌های عمیق را پذیرفتند و مربی انسانی را ترجیح دادند. به طور قابل توجهی، آن‌ها در برابر همان پروتکل پرسشگری از سوی مربی هوش مصنوعی مقاومت کردند و به جای آن خواهان دریافت پاسخ از آن بودند. سهم نظری این مطالعه «جریمهٔ تأمل» است؛ هزینه‌ای که یک مربی هوش مصنوعی برای واداشتن کاربر به انجام کار تأملی که مربیگری انسانی را مؤثر می‌کند، می‌پردازد. سهم عملی آن نقشه‌ای از وظایف قابل انجام برای مربیگری هوش مصنوعی است که از پیشنهادهای مطرح‌شده توسط شرکت‌کنندگان گردآوری شده است. این نقشه مربیگری را به وظایف متمایز تقسیم می‌کند و هر یک را به انسان یا هوش مصنوعی که برای آن مناسب‌تر است، اختصاص می‌دهد. هر دو سهم به طراحان ابزارهای هوش مصنوعی که هدف آن‌ها حمایت از تأمل است، ارائه می‌شود.
AI will play an increasingly large role in providing healthcare services in the near future, creating a pressing need to examine how people perceive AI compared to humans in healthcare. To this end, this study examines how people perceive AI and human doctors in a common medical scenario of giving healthcare advice over an online chat platform. Participants read an online chat conversation that featured a patient asking for medical advice with either an AI or human doctor. In addition, the doctor either linguistically aligned with the patient (by repeating medical terms previously used by the patient) or not (by using synonyms of the patient's terms). Linguistic alignment in conversation has been found to increase positive perceptions of interactions and therefore may be a useful tool to increase patient satisfaction in healthcare interactions. AI doctors but not human ones were penalized when not linguistically aligning with the patient, even though these doctors gave the same exact medical advice. Additionally, across a range of measures, participants in general had more negative perceptions of AI doctors compared to human ones. Overall, these results suggest that people hold AI to different standards as well as judge AI harsher than humans in medical settings.
هوش مصنوعی در آینده نزدیک نقش فزاینده‌ای در ارائه خدمات مراقبت‌های سلامت ایفا خواهد کرد و این امر نیاز فوری به بررسی نحوه ادراک افراد از هوش مصنوعی در مقایسه با انسان‌ها در حوزه سلامت را ایجاد می‌کند. بر این اساس، این پژوهش به بررسی نحوه ادراک افراد از پزشکان هوش مصنوعی و انسانی در یک سناریوی رایج پزشکی، یعنی ارائه مشاوره سلامت از طریق یک پلتفرم گفت‌وگوی آنلاین، می‌پردازد. شرکت‌کنندگان یک گفت‌وگوی آنلاین را مطالعه کردند که در آن بیماری برای دریافت مشاوره پزشکی با یک پزشک (هوش مصنوعی یا انسانی) مکاتبه می‌کرد. علاوه بر این، پزشک یا با بیمار هم‌ترازی زبانی داشت (با تکرار اصطلاحات پزشکی که قبلاً توسط بیمار استفاده شده بود) یا نداشت (با استفاده از مترادف‌های اصطلاحات بیمار). پژوهش‌ها نشان داده‌اند که هم‌ترازی زبانی در مکالمه می‌تواند ادراک مثبت از تعاملات را افزایش دهد و بنابراین ممکن است ابزاری مفید برای افزایش رضایت بیماران در تعاملات سلامت باشد. پزشکان هوش مصنوعی، اما نه پزشکان انسانی، زمانی که با بیمار هم‌ترازی زبانی نداشتند، مورد قضاوت منفی قرار گرفتند، حتی با وجود اینکه دقیقاً همان مشاوره پزشکی را ارائه دادند. همچنین، در طیف وسیعی از سنجه‌ها، شرکت‌کنندگان به طور کلی ادراک منفی‌تری نسبت به پزشکان هوش مصنوعی در مقایسه با پزشکان انسانی داشتند. در مجموع، این نتایج نشان می‌دهد که افراد استانداردهای متفاوتی برای هوش مصنوعی قائل هستند و در محیط‌های پزشکی نسبت به هوش مصنوعی قضاوت سخت‌گیرانه‌تری دارند.
