Akzeptieren Menschen algorithmische Entscheidungen in der Regierung? Was Umfragen und Experimente zeigen

Regierungen setzen zunehmend Algorithmen ein, um Risiken zu bewerten, Anträge zu priorisieren und Leistungsansprüche zu bestimmen. Die Legitimität dieser Entscheidungen hängt jedoch davon ab, ob die davon betroffenen Menschen sie akzeptieren. Diese Studie wertet zwei Gruppen von Erkenntnissen zu dieser Frage aus: Verhaltensexperimente zu „Algorithmusaversion“ und „Algorithmuswertschätzung“ sowie Umfrage- und Conjoint-Experimente zur algorithmischen Entscheidungsfindung im öffentlichen Sektor, ergänzt durch umfangreiche Umfragen zur öffentlichen Meinung in den Vereinigten Staaten und im Vereinigten Königreich. Die Erkenntnisse stützen nicht die einfache Behauptung, dass Menschen Algorithmen ablehnen. Menschen vertrauen algorithmischen Empfehlungen häufig, manchmal mehr als menschlichen Empfehlungen, insbesondere bei Aufgaben, die als mechanisch gelten, und wenn sie selbst keine Experten sind. Die Zustimmung sinkt jedoch deutlich, wenn der Algorithmus entscheidet statt Empfehlungen zu geben, wenn die Entscheidung persönliche Umstände wie Sozialleistungen oder Rechtsprechung betrifft und wenn es keine Möglichkeit gibt, einen Menschen einzubeziehen. Studienübergreifend erhöhen vor allem folgende Merkmale die Akzeptanz: die Möglichkeit, Einspruch einzulegen, eine substanzielle menschliche Beteiligung, Begründungen für einzelne Entscheidungen, nachgewiesene Genauigkeit und Vertrauen in die Organisation, die das System einsetzt. Im Vereinigten Königreich stieg die Besorgnis darüber, dass KI über die Anspruchsberechtigung für Sozialleistungen entscheidet, zwischen 2022 und 2024 von 44% auf 59%. Der Anteil derjenigen, die angaben, dass Einspruchsverfahren sie beruhigen würden, stieg von 59% auf 65%.

Schlüsselergebnisse

• Aversion und Wertschätzung sind beide real; entscheidend ist der Kontext. Nachdem sie einen Fehler eines Algorithmus beobachtet haben, wenden sich Menschen schneller von ihm ab als von einem Menschen (Dietvorst, Simmons und Massey). Laien folgen algorithmischen Empfehlungen jedoch häufig eher als menschlichen Empfehlungen (Logg, Minson und Moore). Experten und Menschen, die ihre eigenen Schätzungen beurteilen, zeigen weniger Wertschätzung.
• Empfehlungen zu geben wird eher akzeptiert als Entscheidungen zu treffen. In einem vorregistrierten Experiment zur EU-Politikgestaltung (n=572) galt eine KI als alleinige Entscheidungsträgerin als illegitim, während eine hybride menschlich-algorithmische Entscheidungsfindung hinsichtlich der Legitimität des Verfahrens und des Ergebnisses nicht anders bewertet wurde als der Status quo (Starke und Lünich).
• Persönliche und moralische Entscheidungen stoßen auf den größten Widerstand. Bei Aufgaben, die „menschliche Fähigkeiten“ erfordern, wurden algorithmische Entscheidungen als weniger fair und vertrauenswürdig angesehen (Lee). In den USA hielten 56% Risikobewertungen zur Rückfälligkeit von Straftätern bei Bewährungsentscheidungen für inakzeptabel, und 67-68% lehnten automatisierte Video-Bewerbungsgespräche und Bewertungen der persönlichen Finanzen ab (Pew, 2018).
• Einspruchsmöglichkeiten und menschliche Beteiligung sind am wichtigsten. In britischen Conjoint-Experimenten zu Visa und Parkausweisen erhöhten Genauigkeit, ein Einspruchssystem, Transparenz, niedrigere Kosten, keine Datenweitergabe und keine Beteiligung privater Unternehmen sowohl die Akzeptanz als auch die wahrgenommene Fairness (Horváth und Kollegen). In der Rangfolge der britischen Öffentlichkeit stehen Gesetze und Regulierung (72%) sowie Einspruchsverfahren (65%) ganz oben auf der Liste der Maßnahmen, die das Vertrauen in KI erhöhen würden (Ada Lovelace Institute und Alan Turing Institute, 2024/25).
• Begründungen helfen, der Zugang zum Code hingegen nicht. Eine Erklärung, warum eine Entscheidung getroffen wurde, erhöht das Vertrauen stärker als ein zugänglicher Algorithmus; der Effekt variiert je nach Kontext (Grimmelikhuijsen).
• Wer das System einsetzt, ist ebenso wichtig wie das eingesetzte System. In Deutschland hing die Akzeptanz von Predictive Policing und Algorithmen zur Vorhersage von Krebserkrankungen stärker vom Vertrauen in die einsetzende Organisation und von der Bedeutung des Problems ab als von der gemessenen Leistungsfähigkeit des Algorithmus (Wenzelburger und Kollegen).
• Die Besorgnis nimmt zu. In den USA stieg der Anteil derjenigen, die KI mit größerer Besorgnis als Begeisterung betrachten, von 38% im Dezember 2022 auf 52% im August 2023; 62% der Erwachsenen in den USA hatten 2024 wenig oder kein Vertrauen darin, dass die Regierung KI wirksam regulieren kann (Pew).

Forschungsfrage und Untersuchungsbereich

Die Studie fragt: Unter welchen Bedingungen akzeptieren Menschen Entscheidungen, die von Algorithmen in der Regierung getroffen oder unterstützt werden, und wodurch lässt sich die Legitimität solcher Entscheidungen erhöhen? „Akzeptanz“ umfasst Präferenzen zwischen menschlichen und algorithmischen Entscheidungsträgern, Urteile über Fairness und Vertrauen sowie die wahrgenommene Legitimität. Die Übersicht behandelt Verhaltensexperimente (meist zu Prognoseaufgaben), Umfrageexperimente und Conjoint-Designs zu Szenarien im öffentlichen Sektor sowie umfangreiche repräsentative Umfragen. Sie konzentriert sich auf die Vereinigten Staaten und Europa, woher fast alle Erkenntnisse stammen. Eine systematische Übersicht aus dem Jahr 2022 stellte fest, dass Erkenntnisse zu Fairnesswahrnehmungen „fast ausschließlich aus westlich-demokratischen Kontexten“ stammen.

Hintergrund

Zwei Fälle des Scheiterns prägen die Debatte in Europa und Australien. In den Niederlanden stufte ein System zur Risikobewertung und Betrugserkennung bei Kinderbetreuungsleistungen Tausende Familien fälschlich als Betrüger ein und führte im Januar 2021 zum Rücktritt des Kabinetts. In Australien erhob das automatisierte „Robodebt“-System unrechtmäßige Schulden gegen Sozialleistungsempfänger, wie eine Königliche Kommission 2023 feststellte. Beide Fälle sind an anderer Stelle in diesem Atlas dokumentiert. Im Vereinigten Königreich wurde der 2020 verwendete Algorithmus zur Moderation der Schulabschlussnoten während der Pandemie nach öffentlichen Protesten aufgegeben. Diese Fälle weisen ein gemeinsames Profil auf: folgenreiche Entscheidungen über Einzelpersonen, geringe Möglichkeiten, sie anzufechten, und Systeme, deren Logik den Betroffenen nicht erklärt wurde.

Die wissenschaftliche Debatte hat zwei Wurzeln. Psychologinnen und Psychologen haben seit Paul Meehl in den 1950er-Jahren gezeigt, dass einfache statistische Regeln häufig bessere Vorhersagen treffen als Expertenurteile; dennoch sträuben sich Menschen gegen ihren Einsatz – ein später als „Algorithmusaversion“ bezeichnetes Phänomen. Forschende aus der Verwaltungswissenschaft und der Legitimitätsforschung stellen eine andere Frage: nicht, ob Menschen eine Prognose nutzen, sondern ob eine Entscheidung, die von einem Algorithmus oder mithilfe eines Algorithmus getroffen wird, rechtmäßig ist. Die zweite Frage knüpft an die Theorie der Verfahrensgerechtigkeit an, der zufolge Menschen ungünstige Ergebnisse akzeptieren, wenn sie das Verfahren als fair, transparent und respektvoll wahrnehmen.

Methode und Quellen

Dies ist eine narrative Übersicht der aussagekräftigsten verfügbaren Evidenz, ausgewählt nach der Qualität des Studiendesigns und ihrer Relevanz für staatliches Handeln. Sie stützt sich auf zwei systematische Übersichtsarbeiten zur Algorithmusaversion (Burton, Stein und Jensen: 61 Artikel; Mahmud und Kollegen: 80 Studien) und eine zu Fairnesswahrnehmungen (Starke, Baleis, Keller und Marcinkowski: 58 Studien); einzelne Experimente zu Szenarien im öffentlichen Sektor in Europa und den Vereinigten Staaten; Umfragen des Pew Research Center (2018, 2023, 2024); sowie die beiden Erhebungswellen der Umfrage des Ada Lovelace Institute und des Alan Turing Institute unter der britischen Öffentlichkeit (Erhebungszeiträume November 2022 und Oktober–November 2024). Die OECD-Umfrage zu den Triebkräften des Vertrauens in öffentliche Institutionen (knapp 60.000 Antworten aus 30 Ländern, Ende 2023) liefert einen Kontext zum allgemeinen Vertrauen in die Regierung. Stichprobengrößen und Erhebungsdaten sind im Text angegeben, damit Leserinnen und Leser die Aussagekraft beurteilen können.

Ergebnisse

Aversion und Wertschätzung

Dietvorst, Simmons und Massey prägten den Begriff „Algorithmusaversion“ in fünf Studien, in denen die Teilnehmenden entscheiden sollten, ob sie ihre Vergütung an die Prognosen eines Menschen oder eines statistischen Modells knüpfen wollten. Teilnehmende, die die Leistung des Algorithmus beobachtet hatten, vertrauten ihm weniger und wählten ihn seltener gegenüber einem schlechteren menschlichen Prognostiker, „selbst unter denjenigen, die gesehen hatten, dass der Algorithmus den Menschen übertraf“. Der zugrunde liegende Mechanismus ist eine asymmetrische Nachsicht: Menschen verlieren nach demselben Fehler schneller das Vertrauen in Algorithmen als in Menschen.

Logg, Minson und Moore fanden in sechs Experimenten das Gegenteil: Laien folgten Ratschlägen eher, wenn sie glaubten, diese stammten von einem Algorithmus statt von einer Person – bei Aufgaben von Gewichtsschätzungen bis hin zu Prognosen über die Popularität von Liedern. Die Wertschätzung nahm ab, wenn Menschen zwischen der Schätzung eines Algorithmus und ihrer eigenen wählen konnten, ebenso bei erfahrenen Fachleuten, die sich weniger auf algorithmische Ratschläge stützten als Laien, was ihre Prognosegenauigkeit beeinträchtigte.

Zwei systematische Übersichtsarbeiten bringen diese Ergebnisse in Einklang. Burton, Stein und Jensen ordneten in ihrer Auswertung von 61 peer-reviewten Artikeln aus den Jahren 1950 bis 2018 die Ursachen der Ablehnung den Bereichen Erwartungen und Expertise, Entscheidungskompetenz, Anreize, kognitive Kompatibilität und divergierende Rationalitäten zu. Mahmud, Islam, Ahmed und Smolander ordneten in ihrer Auswertung von 80 empirischen Studien die Einflussfaktoren den Bereichen Algorithmus, Individuum, Aufgabe und Faktoren höherer Ebene zu und stellten fest, dass Aufgaben- und Faktoren höherer Ebene (soziale und institutionelle Faktoren) bislang unzureichend untersucht sind. Die gemeinsame Erkenntnis lautet, dass die Ablehnung bedingt ist: Sie hängt davon ab, wer urteilt, worin die Aufgabe besteht und ob Menschen einen Teil der Kontrolle behalten.

Umfrageergebnisse weisen in dieselbe Richtung. Araujo, Helberger, Kruikemeier und de Vreese stellten in einem szenariobasierten Umfrageexperiment mit einer nationalen Stichprobe von 958 Befragten zu Entscheidungen in den Bereichen Medien, öffentliche Gesundheit und Justiz fest, dass die Befragten den Risiken automatisierter Entscheidungsfindung im Allgemeinen besorgt gegenüberstanden und deren Fairness und Nützlichkeit auf gesellschaftlicher Ebene unterschiedlich einschätzten; bei konkreten Entscheidungen bewerteten sie KI jedoch häufig ebenso gut wie oder besser als menschliche Fachleute.

Im Bereich der öffentlichen Politik führten Kennedy, Waggoner und Ward Experimente zu Prognosen politischer Ereignisse und zur Rückfälligkeit in die Kriminalität durch. „Im Gegensatz zur bisherigen Literatur zur Algorithmusaversion“ stellten sie ein hohes Vertrauen in Algorithmen im Vergleich zu anderen Ratgeberquellen fest, selbst bei nur minimalen Informationen über den Algorithmus. Ein Conjoint-Experiment zeigte, dass Risikoaversion, der Umfang der Trainingsdaten, ein Mensch in der Entscheidungsschleife und der Ruf des Entwicklers die Präferenzen beeinflussten.

Wer entscheidet: Legitimität hybrider und vollständig automatisierter Entscheidungen

Starke und Lünich verglichen in einem vorregistrierten Online-Experiment (n=572) drei Modelle der EU-Politikgestaltung: Politiker allein, KI allein und Politiker, die mit KI zusammenarbeiten. Das bestehende Modell wurde als am partizipativsten und zugänglichsten bewertet (Input-Legitimität). Hinsichtlich des Verfahrens (Throughput) und der Ergebnisse (Output-Legitimität) gab es keinen Unterschied zwischen dem Status quo und dem hybriden Modell; die Befragten betrachteten KI als alleinige Entscheidungsträgerin jedoch als illegitim. Dieser Befund ist für die institutionelle Gestaltung wichtig: Menschen unterscheiden deutlich zwischen KI als Instrument rechenschaftspflichtiger Amtsträger und KI als deren Ersatz.

Ingrams, Kaufmann und Jacobs gelangten in einem Umfrageexperiment zu Steuerprüfungen zu einem ähnlichen Ergebnis: Eine von KI geleitete Entscheidung wurde als weniger bürokratisch wahrgenommen als eine menschliche, zugleich aber auch als weniger vertrauenswürdig. Effizienz und Vertrauen können sich in entgegengesetzte Richtungen entwickeln.

Lees Experiment zu Managemententscheidungen zeigte, warum die Art der Aufgabe eine Rolle spielt. Bei „mechanischen“ Aufgaben wie der Terminplanung galten algorithmische und menschliche Entscheidungen als gleichermaßen fair und vertrauenswürdig. Bei Aufgaben, die „menschliche Fähigkeiten“ erfordern, etwa Einstellung und Beurteilung, galten algorithmische Entscheidungen als weniger fair und vertrauenswürdig und lösten stärkere negative Emotionen aus. Dies wurde dem wahrgenommenen Mangel an Intuition des Algorithmus und „der entmenschlichenden Erfahrung, von Maschinen beurteilt zu werden“ zugeschrieben. Binns und Kollegen stellten fest, dass die Gerechtigkeitsvorstellungen der Teilnehmenden gegenüber algorithmischen Entscheidungen dieselben Dimensionen umfassten wie bei menschlichen Entscheidungen. Dazu gehörten Bedenken hinsichtlich Willkür, Verallgemeinerung und Würde, zusammengefasst in der Formulierung, die dem Artikel seinen Titel gibt: „Es reduziert einen Menschen auf einen Prozentwert.“

Nicht alle bevorzugen einen Menschen. Miller und Keiser stellten in einem US-amerikanischen Umfrageexperiment fest, dass Schwarze Befragte automatisierte Entscheidungsfindung in puncto Fairness und Präferenz besser bewerteten als Polizeibeamte, wenn ihnen mitgeteilt wurde, dass es der Polizeibehörde an passiver Repräsentation mangelte; bei weißen Befragten zeigte sich dieses Muster nicht. Wo menschlichen Entscheidungsträgern misstraut wird, kann Automatisierung wie eine Verbesserung wirken.

Was die Akzeptanz erhöht

Horváth, James, Banducci und Beduschi führten im Vereinigten Königreich ein vorregistriertes Conjoint-Experiment zur KI-gestützten Bearbeitung von Anträgen auf Einwanderungsvisa und Parkgenehmigungen durch. Mehr menschliche Mitwirkung erhöhte tendenziell die Akzeptanz, während die wahrgenommene Fairness weniger stark beeinflusst wurde. Wurde bei Parkfällen ein erhebliches menschliches Ermessen eingeräumt, bevorzugten die Befragten jedoch eine begrenztere menschliche Beteiligung. Menschliche Mitwirkung trug kaum dazu bei, die ungünstigen Eigenschaften der KI auszugleichen. Dagegen steigerten „hohe Genauigkeit, das Vorhandensein eines Berufungssystems, größere Transparenz, geringere Kosten, die Nichtweitergabe von Daten und der Verzicht auf die Beteiligung privater Unternehmen“ sowohl die Akzeptanz als auch die wahrgenommene Verfahrensfairness.

Grimmelikhuijsen untersuchte zwei Aspekte von Transparenz – Zugänglichkeit (den Algorithmus einsehen zu können) und Erklärbarkeit (mitgeteilt zu bekommen, warum eine Entscheidung getroffen wurde) – anhand eines abgelehnten Visumantrags und eines Verdachts auf Sozialleistungsbetrug. Erklärbarkeit hatte eine deutlichere Wirkung auf das Vertrauen als Zugänglichkeit; Transparenz beeinflusste das Vertrauen sowohl in den menschlichen Entscheidungsträger als auch in den Algorithmus; und die Wirkungen waren über die beiden Kontexte hinweg nicht robust. Transparenz „als Zugänglichkeit“ reichte nicht aus.

Wenzelburger, König, Felfeli und Achtziger befragten 2,661 Personen aus einem repräsentativen deutschen Online-Panel zu vorausschauender Polizeiarbeit und der Vorhersage von Hautkrebs. Die Akzeptanz wurde „stark geprägt“ von der persönlichen Bedeutung des Problems und vom Vertrauen in die Organisationen, die den Algorithmus einsetzen; die objektive Leistungsfähigkeit des Algorithmus war deutlich weniger ausschlaggebend.

Was die Öffentlichkeit sagt: große Umfragen

Vereinigte Staaten. In einer Pew-Umfrage unter 4.594 Erwachsenen aus dem Jahr 2018 waren 58 % der Ansicht, dass Computerprogramme immer irgendeine menschliche Voreingenommenheit widerspiegeln würden. Eine Mehrheit hielt drei von vier Szenarien für nicht akzeptabel: eine automatisierte Bewertung der persönlichen Finanzen (68 % nicht akzeptabel), die automatisierte Analyse von Bewerbungsgesprächen per Video (67 %) und die Bewertung des Rückfallrisikos bei Entscheidungen über eine vorzeitige Entlassung (56 % nicht akzeptabel, 42 % akzeptabel); 41 % hielten eine automatisierte Vorauswahl von Lebensläufen für akzeptabel. In einer Pew-Umfrage unter 11.201 Erwachsenen vom August 2023 gaben 52 % an, KI im Alltag mit mehr Sorge als Begeisterung zu betrachten, gegenüber 38 % im Dezember 2022. Im August 2024 betrachteten 51 % von 5.410 Erwachsenen KI mit mehr Sorge als Begeisterung, 62 % hatten wenig oder kein Vertrauen darin, dass die Regierung KI wirksam regulieren könne, und 55 % wollten mehr Kontrolle darüber, wie KI in ihrem Leben eingesetzt wird.

Vereinigtes Königreich. Die Umfrage des Ada Lovelace Institute und des Alan Turing Institute ist die detaillierteste Quelle zu Anwendungen im öffentlichen Sektor.

2024/25 gaben 63 % an, sich damit nicht wohlzufühlen, wenn KI Entscheidungen trifft, die ihr Leben betreffen; 62 % sagten, dass eine KI-Entscheidung immer erklärt werden sollte (darunter 37 %, die möchten, dass Menschen Entscheidungen treffen und erklären); 71 % der schwarzen und britisch-schwarzen Befragten waren wegen des Einsatzes von KI zur Beurteilung der Anspruchsberechtigung für Sozialleistungen besorgt, gegenüber 59 % landesweit; und 50 % hatten das Gefühl, dass ihre Ansichten bei Entscheidungen über KI, die ihr Leben betreffen, nicht repräsentiert würden. 2022/23 war eine unabhängige Aufsichtsbehörde die beliebteste Wahl (41 %) dafür, wer sicherstellen sollte, dass KI sicher eingesetzt wird; 2024/25 wurde sie, als Befragte bis zu drei Optionen wählen konnten, von 58 % ausgewählt.

Der Gegensatz zwischen Gesichtserkennung bei der Polizeiarbeit (von 91 % als vorteilhaft angesehen) und der Beurteilung der Anspruchsberechtigung für Sozialleistungen (47 %) ist aufschlussreich. Die Befragten scheinen KI dort zu akzeptieren, wo sie als gegen andere gerichtet oder als Instrument für Amtsträger wahrgenommen wird, und sich ihr dort zu widersetzen, wo sie über ihre eigenen Ansprüche entscheidet.

Was die Evidenz nicht zeigt

• Verhalten nach realen Entscheidungen. Die meisten Studien verwenden hypothetische Szenarien. Es gibt kaum Erkenntnisse darüber, wie Menschen, die tatsächlich eine automatisierte Entscheidung erhalten haben, etwa eine Ablehnung von Sozialleistungen, deren Legitimität beurteilen, sich daran halten oder dagegen Einspruch einlegen.
• Langfristige Auswirkungen. Umfragen zeigen seit 2022 zunehmende Besorgnis, können aber nicht unterscheiden, ob die Reaktionen auf KI in der Regierung, auf generative KI im Allgemeinen oder auf aktuelle Ereignisse zurückzuführen sind.
• Kausale Auswirkungen von Schutzmaßnahmen in der Praxis. Conjoint-Experimente zeigen, dass Einspruchsmöglichkeiten und Erklärungen die angegebene Akzeptanz erhöhen; ob ihre Einführung in einem realen Dienst das Vertrauen stärkt, wurde nicht mit Feldexperimenten untersucht.
• Globale Verallgemeinerbarkeit. Die Evidenz stammt überwiegend aus den Vereinigten Staaten und Westeuropa.
• Die Qualität der Akzeptanz. Menschen akzeptieren womöglich Systeme, die sie nicht akzeptieren sollten, wie die Literatur zur Wertschätzung und die Zahlen zur Gesichtserkennung nahelegen. Eine hohe Akzeptanz ist kein Beleg dafür, dass ein System fair ist.

Implikationen für die institutionelle Gestaltung

1. Bei folgenreichen individuellen Entscheidungen sollte ein Mensch die Entscheidung treffen und der Algorithmus als Beratungshilfe dargestellt werden. Die Evidenz zur Legitimität hybrider Verfahren und zu Aufgaben, die „menschliche Fähigkeiten“ erfordern, stützt diese Gestaltungsentscheidung stärker als jede andere.
2. Machen Sie die Überprüfung durch einen Menschen zu einem Recht, nicht zu einer Gefälligkeit. Dieses Merkmal ist am konsistentesten mit Akzeptanz verbunden und zugleich die wichtigste Schutzmaßnahme gegen Fehler.
3. Erklären Sie Entscheidungen, nicht nur Systeme. Algorithmusregister wie die Transparenzaufzeichnungen des Vereinigten Königreichs unterstützen die Aufsicht, doch individuelle Erklärungen sind für das Vertrauen wichtiger.
4. Vermeiden Sie bei Anwendungen des öffentlichen Sektors mit hohem Risiko die Weitergabe von Daten an den Privatsektor und undurchsichtige Rollen von Anbietern, oder begründen Sie sie offen.
5. Investieren Sie in die Vertrauenswürdigkeit von Institutionen. Die Akzeptanz hängt vom Vertrauen in die einsetzende Behörde ab; eine Behörde, der nicht vertraut wird, lässt sich nicht durch ein besseres Modell retten.
6. Verwechseln Sie Akzeptanz nicht mit Legitimität. Systeme sollten unabhängig von ihrer Beliebtheit auf Genauigkeit und Fairness geprüft werden.

Offene Fragen

• Erhöhen Einspruchsrechte das Vertrauen, wenn die Menschen wissen, dass nur wenige Einsprüche erfolgreich sind?
• Wie beurteilen Menschen Entscheidungen, bei denen KI und ein menschlicher Amtsträger unterschiedlicher Meinung sind, und wer sollte sich durchsetzen?
• Spiegelt die seit 2022 zunehmende Besorgnis Erfahrungen mit KI in öffentlichen Diensten wider oder eine umfassendere Angst vor generativer KI?
• Wie unterscheiden sich die Einstellungen außerhalb westlicher Demokratien, wo das Vertrauen in menschliche Amtsträger möglicherweise geringer ist?
• Können Beteiligungsverfahren, etwa Bürgerräte zu algorithmischen Systemen, die Legitimität auch für Nichtteilnehmende erhöhen?

Quellen

1. Dietvorst, B. J., Simmons, J. P. and Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General 144(1), 114-126.
2. Logg, J. M., Minson, J. A. and Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes 151, 90-103.
3. Burton, J. W., Stein, M.-K. and Jensen, T. B. (2020). A systematic review of algorithm aversion in augmented decision making. Journal of Behavioral Decision Making 33(2), 220-239.
4. Mahmud, H., Islam, A. K. M. N., Ahmed, S. I. and Smolander, K. (2022). What influences algorithmic decision-making? A systematic literature review on algorithm aversion. Technological Forecasting and Social Change 175, 121390.
5. Starke, C., Baleis, J., Keller, B. and Marcinkowski, F. (2022). Fairness perceptions of algorithmic decision-making: A systematic review of the empirical literature. Big Data & Society 9(2).
6. Starke, C. and Lünich, M. (2020). Artificial intelligence for political decision-making in the European Union: Effects on citizens' perceptions of input, throughput, and output legitimacy. Data & Policy 2, e16.
7. Kennedy, R. P., Waggoner, P. D. and Ward, M. M. (2022). Trust in Public Policy Algorithms. The Journal of Politics 84(2), 1132-1148.
8. Lee, M. K. (2018). Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society 5(1).
9. Binns, R., Van Kleek, M., Veale, M., Lyngs, U., Zhao, J. and Shadbolt, N. (2018). 'It's Reducing a Human Being to a Percentage': Perceptions of Justice in Algorithmic Decisions. In Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems.
10. Miller, S. M. and Keiser, L. R. (2021). Representative Bureaucracy and Attitudes Toward Automated Decision Making. Journal of Public Administration Research and Theory 31(1), 150-165.
11. Ingrams, A., Kaufmann, W. and Jacobs, D. (2022). In AI we trust? Citizen perceptions of AI in government decision making. Policy & Internet 14(2), 390-409.
12. Grimmelikhuijsen, S. (2023). Explaining Why the Computer Says No: Algorithmic Transparency Affects the Perceived Trustworthiness of Automated Decision-Making. Public Administration Review 83(2), 241-262.
13. Horváth, L., James, O., Banducci, S. and Beduschi, A. (2023). Citizens' acceptance of artificial intelligence in public services: Evidence from a conjoint experiment about processing permit applications. Government Information Quarterly 40(4), 101876.
14. Wenzelburger, G., König, P. D., Felfeli, J. and Achtziger, A. (2024). Algorithms in the public sector. Why context matters. Public Administration 102(1), 40-60.
15. Araujo, T., Helberger, N., Kruikemeier, S. and de Vreese, C. H. (2020). In AI we trust? Perceptions about automated decision-making by artificial intelligence. AI & Society 35(3), 611-623.
16. Pew Research Center (2018). Public Attitudes Toward Computer Algorithms, 16 November 2018.
17. Pew Research Center (2023). Growing public concern about the role of artificial intelligence in daily life, 28 August 2023.
18. Pew Research Center (2025). How the U.S. Public and AI Experts View Artificial Intelligence, 3 April 2025.
19. Ada Lovelace Institute and The Alan Turing Institute (2023). How do people feel about AI? (2022/23 survey findings).
20. Ada Lovelace Institute and The Alan Turing Institute (2025). How do people feel about AI? (2024/25 survey findings).
21. OECD (2024). OECD Survey on Drivers of Trust in Public Institutions - 2024 Results. OECD Publishing.