क्या लोग सरकार में एल्गोरिदम-आधारित निर्णयों को स्वीकार करते हैं? सर्वेक्षण और प्रयोग क्या दिखाते हैं

सरकारें जोखिम का आकलन करने, आवेदनों की छंटाई करने और पात्रता तय करने के लिए एल्गोरिदम का इस्तेमाल तेजी से कर रही हैं, लेकिन इन निर्णयों की वैधता इस बात पर निर्भर करती है कि उनसे प्रभावित लोग उन्हें स्वीकार करते हैं या नहीं। यह अध्ययन इस प्रश्न से जुड़े साक्ष्य के दो समूहों की समीक्षा करता है: “एल्गोरिदम-विमुखता” और “एल्गोरिदम-सराहना” पर व्यवहारगत प्रयोग, तथा सार्वजनिक क्षेत्र में एल्गोरिदम-आधारित निर्णय-निर्माण पर सर्वेक्षण और कॉन्जॉइंट प्रयोग; इसके साथ ही संयुक्त राज्य अमेरिका और यूनाइटेड किंगडम में जनमत के बड़े सर्वेक्षण भी शामिल हैं। साक्ष्य इस सरल दावे का समर्थन नहीं करते कि लोग एल्गोरिदम को खारिज करते हैं। लोग अक्सर एल्गोरिदम की सलाह पर भरोसा करते हैं—कभी-कभी मानवीय सलाह से भी अधिक—विशेषकर उन कार्यों के लिए जिन्हें यांत्रिक माना जाता है और जब वे स्वयं विशेषज्ञ नहीं होते। लेकिन जब एल्गोरिदम सलाह देने के बजाय निर्णय लेता है, जब निर्णय कल्याण-लाभ या न्याय जैसी व्यक्तिगत परिस्थितियों से जुड़ा हो, और जब किसी इंसान से संपर्क का कोई रास्ता न हो, तो समर्थन में तेज गिरावट आती है। विभिन्न अध्ययनों में, स्वीकृति बढ़ाने वाले सबसे निरंतर कारक हैं: अपील करने की क्षमता, सार्थक मानवीय भागीदारी, व्यक्तिगत निर्णयों के स्पष्टीकरण, प्रमाणित सटीकता और प्रणाली लागू करने वाले संगठन पर भरोसा। UK में, कल्याण-लाभ की पात्रता पर AI के निर्णय को लेकर चिंता 2022 से 2024 के बीच 44% से बढ़कर 59% हो गई, और यह कहने वालों का अनुपात कि अपील प्रक्रियाएँ उन्हें अधिक सहज महसूस कराएँगी, 59% से बढ़कर 65% हो गया।

प्रमुख निष्कर्ष

• विमुखता और सराहना, दोनों वास्तविक हैं; संदर्भ निर्णायक होता है। एल्गोरिदम को गलती करते देखने के बाद लोग उसे इंसानों की तुलना में जल्दी छोड़ देते हैं (Dietvorst, Simmons and Massey), फिर भी आम लोग अक्सर मानवीय सलाह की तुलना में एल्गोरिदम की सलाह का अधिक अनुसरण करते हैं (Logg, Minson and Moore)। विशेषज्ञों और अपने ही अनुमानों का मूल्यांकन करने वाले लोगों में यह सराहना कम दिखाई देती है।
• सलाह देने को निर्णय लेने की तुलना में अधिक स्वीकार किया जाता है। EU नीति-निर्माण पर किए गए पूर्व-पंजीकृत प्रयोग (n=572) में, अकेले निर्णय लेने वाले के रूप में AI को अवैध माना गया, जबकि मानव-AI के संकर निर्णय-निर्माण को प्रक्रिया और परिणाम की वैधता के मामले में यथास्थिति से अलग नहीं आँका गया (Starke and Lünich)।
• व्यक्तिगत और नैतिक निर्णयों को सबसे अधिक प्रतिरोध का सामना करना पड़ता है। “मानवीय कौशल” की आवश्यकता वाले कार्यों के लिए, एल्गोरिदम-आधारित निर्णयों को कम निष्पक्ष और भरोसेमंद माना गया (Lee)। US में, 56% लोगों ने पैरोल के लिए आपराधिक जोखिम के अंकों को अस्वीकार्य माना और 67-68% ने स्वचालित वीडियो-साक्षात्कार विश्लेषण तथा व्यक्तिगत वित्त का स्कोरिंग खारिज किया (Pew, 2018)।
• अपील और मानवीय भागीदारी सबसे अधिक मायने रखती हैं। वीज़ा और पार्किंग परमिट पर UK के कॉन्जॉइंट प्रयोगों में, सटीकता, अपील प्रणाली, पारदर्शिता, कम लागत, डेटा साझा न करना और निजी कंपनी की भागीदारी न होना—इन सभी ने स्वीकृति और अनुभवगत निष्पक्षता, दोनों को बढ़ाया (Horváth and colleagues)। UK की जनता की अपनी प्राथमिकता-सूची में, AI को लेकर सहजता बढ़ाने वाले कारकों में कानून और विनियमन (72%) तथा अपील प्रक्रियाएँ (65%) शीर्ष पर हैं (Ada Lovelace Institute and Alan Turing Institute, 2024/25)।
• स्पष्टीकरण मददगार होते हैं, लेकिन कोड तक पहुँच नहीं। यह समझाना कि कोई निर्णय क्यों लिया गया, एल्गोरिदम को सुलभ बनाने की तुलना में भरोसा अधिक बढ़ाता है, और इसका प्रभाव संदर्भ के अनुसार बदलता है (Grimmelikhuijsen)।
• प्रणाली कौन लागू करता है, यह उतना ही मायने रखता है जितना कि क्या लागू किया जाता है। जर्मनी में, पूर्वानुमान-आधारित पुलिसिंग और कैंसर-पूर्वानुमान एल्गोरिदम की स्वीकृति एल्गोरिदम के मापे गए प्रदर्शन की तुलना में, उसे लागू करने वाले संगठन पर भरोसे और समस्या के महत्व पर अधिक निर्भर थी (Wenzelburger and colleagues)।
• चिंता बढ़ रही है। US में, AI को लेकर उत्साह से अधिक चिंता जताने वालों का अनुपात दिसंबर 2022 के 38% से बढ़कर अगस्त 2023 में 52% हो गया; 2024 में US के 62% वयस्कों को AI के प्रभावी विनियमन की सरकार की क्षमता पर बहुत कम या बिल्कुल भरोसा नहीं था (Pew)।

शोध प्रश्न और दायरा

अध्ययन यह पूछता है: किन परिस्थितियों में लोग सरकार में एल्गोरिदम द्वारा लिए गए या समर्थित निर्णयों को स्वीकार करते हैं, और ऐसे निर्णयों की वैधता किससे बढ़ती है? “स्वीकृति” में मानव और एल्गोरिदम-आधारित निर्णयकर्ताओं के बीच प्राथमिकताएँ, निष्पक्षता और भरोसे के संबंध में आकलन, तथा अनुभवगत वैधता शामिल हैं। इस समीक्षा में व्यवहारगत प्रयोग (मुख्यतः पूर्वानुमान कार्य), सार्वजनिक क्षेत्र के परिदृश्यों पर सर्वेक्षण प्रयोग और कॉन्जॉइंट डिज़ाइन, तथा बड़े प्रतिनिधिक सर्वेक्षण शामिल हैं। इसका ध्यान संयुक्त राज्य अमेरिका और यूरोप पर है, जहाँ से लगभग सभी साक्ष्य प्राप्त होते हैं; 2022 की एक व्यवस्थित समीक्षा में पाया गया कि निष्पक्षता की धारणाओं से जुड़े साक्ष्य “लगभग पूरी तरह पश्चिमी-लोकतांत्रिक संदर्भों से आते हैं”।

पृष्ठभूमि

यूरोप और ऑस्ट्रेलिया में विफलता के दो मामले इस बहस की पृष्ठभूमि बनाते हैं। नीदरलैंड में, बाल-देखभाल लाभों से जुड़ी जोखिम-अंकन और धोखाधड़ी-पहचान व्यवस्था ने हजारों परिवारों को गलती से धोखाधड़ी करने वाला माना और जनवरी 2021 में मंत्रिमंडल के इस्तीफे का कारण बनी। ऑस्ट्रेलिया में, स्वचालित "Robodebt" योजना ने कल्याणकारी सहायता पाने वालों पर गैर-कानूनी ऋण थोपे, जैसा कि 2023 में एक शाही आयोग ने पाया। ये दोनों मामले इस एटलस में अन्यत्र प्रलेखित हैं। यूके में, महामारी के दौरान स्कूल छोड़ने के समय दिए जाने वाले ग्रेड निर्धारित करने के लिए इस्तेमाल किए गए 2020 के एल्गोरिदम को जन-विरोध के बाद छोड़ दिया गया। इन मामलों में एक समान रूपरेखा दिखती है: व्यक्तियों के बारे में अत्यंत महत्वपूर्ण निर्णय, उन्हें चुनौती देने के सीमित रास्ते, और ऐसी प्रणालियाँ जिनका तर्क प्रभावित लोगों को समझाया नहीं गया।

शैक्षणिक बहस की दो जड़ें हैं। 1950 के दशक में Paul Meehl के समय से मनोवैज्ञानिकों ने दिखाया है कि सरल सांख्यिकीय नियम अक्सर विशेषज्ञ निर्णय से बेहतर भविष्यवाणी करते हैं, फिर भी लोग उनका उपयोग करने से कतराते हैं—इस प्रवृत्ति को बाद में "एल्गोरिदम-विमुखता" नाम दिया गया। लोक-प्रशासन और वैधता के विद्वान एक अलग प्रश्न पूछते हैं: यह नहीं कि लोग किसी पूर्वानुमान का उपयोग करते हैं या नहीं, बल्कि यह कि एल्गोरिदम द्वारा या उसके सहयोग से लिया गया निर्णय उचित और वैध है या नहीं। दूसरा प्रश्न प्रक्रियागत न्याय के सिद्धांत पर आधारित है, जिसके अनुसार लोग प्रतिकूल परिणामों को तब स्वीकार करते हैं जब उन्हें प्रक्रिया निष्पक्ष, पारदर्शी और सम्मानजनक लगती है।

पद्धति और स्रोत

यह उपलब्ध सबसे मजबूत साक्ष्यों की एक कथात्मक समीक्षा है, जिन्हें शोध-रचना की गुणवत्ता और सरकार से प्रासंगिकता के आधार पर चुना गया है। इसमें एल्गोरिदम-विमुखता पर दो व्यवस्थित समीक्षाएँ (Burton, Stein and Jensen: 61 लेख; Mahmud और सहलेखक: 80 अध्ययन) और निष्पक्षता की धारणाओं पर एक समीक्षा (Starke, Baleis, Keller and Marcinkowski: 58 अध्ययन); यूरोप और संयुक्त राज्य अमेरिका के सार्वजनिक-क्षेत्र संबंधी परिदृश्यों पर व्यक्तिगत प्रयोग; Pew Research Center के सर्वेक्षण (2018, 2023, 2024); तथा ब्रिटिश और यूके की जनता पर Ada Lovelace Institute और Alan Turing Institute के सर्वेक्षण की दो लहरें (क्षेत्रीय सर्वेक्षण नवंबर 2022 और अक्टूबर-नवंबर 2024) शामिल हैं। सार्वजनिक संस्थानों में विश्वास के प्रेरकों पर OECD सर्वेक्षण (2023 के अंत में 30 देशों में लगभग 60,000 उत्तर) सरकार पर सामान्य विश्वास का संदर्भ देता है। पाठ में नमूना आकार और तारीखें दी गई हैं, ताकि पाठक साक्ष्यों के महत्व का आकलन कर सकें।

निष्कर्ष

विमुखता और सराहना

Dietvorst, Simmons और Massey ने पाँच अध्ययनों में "एल्गोरिदम-विमुखता" शब्द गढ़ा, जिनमें प्रतिभागियों ने चुना कि वे अपना भुगतान किसी व्यक्ति के पूर्वानुमान से जोड़ेंगे या सांख्यिकीय मॉडल के पूर्वानुमान से। एल्गोरिदम का प्रदर्शन देख चुके प्रतिभागियों का उस पर भरोसा कम था और वे उसे कमतर मानव पूर्वानुमानकर्ता के बजाय चुनने की संभावना भी कम रखते थे, "यहाँ तक कि उनमें भी जिन्होंने एल्गोरिदम को मानव से बेहतर प्रदर्शन करते देखा था"। इसके पीछे का तंत्र क्षमा करने में असमानता है: एक ही गलती देखने के बाद लोगों का एल्गोरिदम पर भरोसा, मनुष्यों पर भरोसे की तुलना में, अधिक तेजी से घटता है।

Logg, Minson और Moore ने छह प्रयोगों में इसके विपरीत पाया: आम लोगों ने सलाह का अधिक पालन तब किया जब उन्हें लगा कि वह किसी व्यक्ति के बजाय एल्गोरिदम से आई है। ये कार्य वज़न का अनुमान लगाने से लेकर गीतों की लोकप्रियता का पूर्वानुमान करने तक थे। जब लोगों ने एल्गोरिदम के अनुमान और अपने अनुमान के बीच चुनाव किया, तब यह सराहना कम हो गई; अनुभवी पेशेवरों में भी यह कम थी, जो आम लोगों की तुलना में एल्गोरिदम-आधारित सलाह पर कम निर्भर थे—और इससे उनकी सटीकता को नुकसान पहुँचा।

दो व्यवस्थित समीक्षाएँ इन निष्कर्षों का समन्वय करती हैं। बर्टन, स्टीन और जेन्सेन ने 1950 से 2018 तक प्रकाशित समकक्ष-समीक्षित 61 लेखों की समीक्षा करते हुए, अरुचि के कारणों को अपेक्षाओं और विशेषज्ञता, निर्णय-स्वायत्तता, प्रोत्साहनों, संज्ञानात्मक अनुकूलता और भिन्न तर्क-पद्धतियों के अंतर्गत वर्गीकृत किया। महमूद, इस्लाम, अहमद और स्मोलैंडर ने 80 आनुभविक अध्ययनों की समीक्षा करते हुए, प्रभावकारी कारकों को एल्गोरिदम, व्यक्ति, कार्य और उच्च-स्तरीय कारकों के रूप में वर्गीकृत किया और उल्लेख किया कि कार्य-संबंधी तथा उच्च-स्तरीय (सामाजिक और संस्थागत) कारकों का पर्याप्त अध्ययन नहीं हुआ है। दोनों से मिलने वाला साझा सबक यह है कि अरुचि सशर्त होती है: यह इस पर निर्भर करती है कि निर्णय कौन कर रहा है, कार्य क्या है और क्या लोगों के पास कुछ नियंत्रण बना रहता है।

सर्वेक्षण के साक्ष्य भी इसी ओर संकेत करते हैं। मीडिया, सार्वजनिक स्वास्थ्य और न्यायिक निर्णयों से जुड़े परिदृश्यों पर आधारित एक सर्वेक्षण-प्रयोग में, जिसमें राष्ट्रीय स्तर के 958 उत्तरदाताओं का नमूना शामिल था, अराउजो, हेल्बर्गर, क्रुइकेमियर और दे व्रीज़ ने पाया कि उत्तरदाता स्वचालित निर्णय-निर्धारण के जोखिमों को लेकर व्यापक रूप से चिंतित थे और समाज-स्तर पर इसकी निष्पक्षता तथा उपयोगिता के बारे में उनकी राय मिली-जुली थी; फिर भी, विशिष्ट निर्णयों के मामले में उन्होंने अक्सर AI को मानव विशेषज्ञों के बराबर या उनसे बेहतर आँका।

सार्वजनिक नीति के संदर्भ में, केनेडी, वैगनर और वार्ड ने राजनीतिक घटनाओं तथा अपराधियों के दोबारा अपराध करने की संभावना के पूर्वानुमान पर प्रयोग किए। “एल्गोरिदम के प्रति अरुचि पर पूर्ववर्ती साहित्य के विपरीत”, उन्होंने सलाह के अन्य स्रोतों की तुलना में एल्गोरिदम पर उच्च भरोसा पाया—भले ही एल्गोरिदम के बारे में जानकारी न्यूनतम थी। एक कंजॉइंट प्रयोग से पता चला कि जोखिम-विमुखता, प्रशिक्षण डेटा का आकार, प्रक्रिया में शामिल कोई मानव और डेवलपर की प्रतिष्ठा, सभी ने प्राथमिकताओं को प्रभावित किया।

निर्णय कौन करता है: मिश्रित और पूर्णतः स्वचालित निर्णयों की वैधता

स्टार्के और लूनिख ने EU की नीति-निर्माण प्रक्रिया की तीन व्यवस्थाओं की तुलना एक पूर्व-पंजीकृत ऑनलाइन प्रयोग (n=572) में की: केवल राजनेता, केवल AI और AI के साथ काम करते राजनेता। मौजूदा व्यवस्था को सबसे अधिक सहभागी और सुलभ (इनपुट वैधता) आँका गया। प्रक्रिया (थ्रूपुट) और परिणामों (आउटपुट वैधता) के मामले में यथास्थिति और मिश्रित व्यवस्था के बीच कोई अंतर नहीं था, लेकिन उत्तरदाताओं ने AI को अकेले निर्णयकर्ता के रूप में अवैध माना। संस्थागत संरचना के लिए यह निष्कर्ष महत्त्वपूर्ण है: लोग जवाबदेह अधिकारियों के एक उपकरण के रूप में AI और उनके स्थानापन्न के रूप में AI के बीच स्पष्ट अंतर करते हैं।

टैक्स ऑडिट पर एक सर्वेक्षण-प्रयोग में इन्ग्रैम्स, कॉफमैन और जैकब्स को इससे मिलता-जुलता परिणाम मिला: AI के नेतृत्व में लिए गए निर्णय को मानवीय निर्णय की तुलना में कम लालफीताशाही वाला माना गया, लेकिन उस पर भरोसा भी कम किया गया। दक्षता और भरोसा विपरीत दिशाओं में बदल सकते हैं।

प्रबंधकीय निर्णयों पर ली के प्रयोग ने दिखाया कि कार्य का प्रकार क्यों महत्त्वपूर्ण है। समय-सारणी बनाने जैसे “यांत्रिक” कार्यों के लिए एल्गोरिदम और मनुष्यों के निर्णयों को समान रूप से निष्पक्ष और भरोसेमंद माना गया। नियुक्ति और मूल्यांकन जैसे “मानवीय कौशल” की माँग करने वाले कार्यों में, एल्गोरिदम के निर्णयों को कम निष्पक्ष और भरोसेमंद माना गया और उनसे अधिक नकारात्मक भावनाएँ जुड़ीं; इसका कारण एल्गोरिदम में सहज-बोध की कथित कमी और “मशीनों द्वारा मूल्यांकित किए जाने का अमानवीय अनुभव” बताया गया। बिन्स और उनके सहयोगियों ने पाया कि एल्गोरिदम-संबंधी निर्णयों के प्रति प्रतिभागियों की न्याय-बोध की कसौटियाँ वही थीं जो मानवीय निर्णयों के लिए थीं; इनमें मनमानेपन, सामान्यीकरण और गरिमा को लेकर चिंताएँ शामिल थीं। इन सबका सार उनके शोधपत्र के शीर्षक को प्रेरित करने वाले वाक्यांश में मिलता है: “यह एक मनुष्य को प्रतिशत में बदल रहा है।”

हर कोई मानव को प्राथमिकता नहीं देता। Miller और Keiser ने अमेरिका में किए गए एक सर्वेक्षण प्रयोग में पाया कि जब अश्वेत उत्तरदाताओं को बताया गया कि पुलिस एजेंसी में निष्क्रिय प्रतिनिधित्व का अभाव है, तो उन्होंने निष्पक्षता और प्राथमिकता के मामले में स्वचालित निर्णय-निर्माण को पुलिस अधिकारियों से बेहतर आँका; श्वेत उत्तरदाताओं में यह प्रवृत्ति नहीं दिखी। जहाँ मानव निर्णयकर्ताओं पर अविश्वास किया जाता है, वहाँ स्वचालन सुधार जैसा दिख सकता है।

क्या स्वीकृति बढ़ाता है

Horváth, James, Banducci और Beduschi ने यूके में आव्रजन-वीज़ा और पार्किंग परमिट के आवेदनों के AI प्रसंस्करण पर एक पूर्व-पंजीकृत कॉन्जॉइंट प्रयोग किया। अधिक मानवीय भागीदारी से स्वीकृति बढ़ने की प्रवृत्ति थी, हालाँकि इससे निष्पक्षता की कथित धारणा पर कम असर पड़ा; और जब पार्किंग मामलों में पर्याप्त मानवीय विवेक शामिल किया गया, तो उत्तरदाताओं ने मानवीय भागीदारी को अधिक सीमित रखना पसंद किया। मानवीय भागीदारी ने AI की प्रतिकूल विशेषताओं की भरपाई करने में बहुत कम मदद की। इसके विपरीत, “उच्च सटीकता, अपील प्रणाली की मौजूदगी, अधिक पारदर्शिता, कम लागत, डेटा साझा न करना और निजी कंपनी की भागीदारी का अभाव”—इन सभी ने स्वीकृति और प्रक्रियागत निष्पक्षता की कथित धारणा, दोनों को बढ़ाया।

Grimmelikhuijsen ने पारदर्शिता के दो पहलुओं—सुलभता (एल्गोरिदम देख पाने की क्षमता) और व्याख्येयता (यह बताया जाना कि निर्णय क्यों लिया गया)—की जाँच वीज़ा आवेदन अस्वीकार किए जाने और कल्याणकारी लाभों की धोखाधड़ी का संदेह होने की स्थितियों में की। व्याख्येयता का भरोसे पर सुलभता से अधिक स्पष्ट प्रभाव पड़ा; पारदर्शिता ने मानव निर्णयकर्ता और एल्गोरिदम, दोनों पर भरोसे को प्रभावित किया; और दोनों संदर्भों में ये प्रभाव ठोस रूप से एकसमान नहीं थे। “सुलभता के रूप में” पारदर्शिता अपर्याप्त थी।

Wenzelburger, König, Felfeli और Achtziger ने प्रतिनिधि जर्मन ऑनलाइन पैनल के 2,661 उत्तरदाताओं से पूर्वानुमानित पुलिसिंग और त्वचा-कैंसर की भविष्यवाणी के बारे में सर्वेक्षण किया। स्वीकृति “समस्या के व्यक्तिगत महत्त्व” और एल्गोरिदम तैनात करने वाले संगठनों पर भरोसे से “काफी हद तक प्रभावित” थी; एल्गोरिदम का वस्तुनिष्ठ प्रदर्शन कहीं कम मायने रखता था।

जनता क्या कहती है: बड़े सर्वेक्षण

संयुक्त राज्य। 4,594 वयस्कों पर Pew के 2018 के सर्वेक्षण में पाया गया कि 58% का मानना था कि कंप्यूटर प्रोग्राम हमेशा किसी न किसी मानवीय पूर्वाग्रह को दर्शाएँगे। बहुमत ने चार में से तीन परिदृश्यों को अस्वीकार्य माना: स्वचालित व्यक्तिगत-वित्त स्कोर (68% ने अस्वीकार्य माना), नौकरी के वीडियो साक्षात्कारों का स्वचालित विश्लेषण (67%), और पैरोल के निर्णयों के लिए आपराधिक जोखिम का आकलन (56% ने अस्वीकार्य, 42% ने स्वीकार्य माना); 41% ने बायोडाटा की स्वचालित छँटाई को स्वीकार्य माना। 11,201 वयस्कों पर Pew के अगस्त 2023 के सर्वेक्षण में पाया गया कि 52% दैनिक जीवन में AI को लेकर उत्साहित होने के बजाय अधिक चिंतित थे; दिसंबर 2022 में यह अनुपात 38% था। अगस्त 2024 में, 5,410 वयस्कों में से 51% उत्साहित होने के बजाय अधिक चिंतित थे, 62% को AI को प्रभावी ढंग से विनियमित करने की सरकार की क्षमता पर बहुत कम या बिल्कुल भरोसा नहीं था, और 55% अपने जीवन में AI के इस्तेमाल पर अधिक नियंत्रण चाहते थे।

यूनाइटेड किंगडम। Ada Lovelace Institute और Alan Turing Institute का सर्वेक्षण सार्वजनिक क्षेत्र में उपयोगों पर सबसे विस्तृत स्रोत है।

2024/25 में, 63% ने कहा कि वे AI द्वारा अपने जीवन को प्रभावित करने वाले निर्णय लिए जाने को लेकर सहज नहीं थे; 62% ने कहा कि AI के निर्णय के साथ हमेशा स्पष्टीकरण दिया जाना चाहिए (इसमें 37% वे थे जो चाहते थे कि निर्णय मनुष्य लें और समझाएँ); अश्वेत और अश्वेत ब्रिटिश उत्तरदाताओं में 71% कल्याणकारी पात्रता के लिए AI के इस्तेमाल को लेकर चिंतित थे, जबकि राष्ट्रीय स्तर पर यह अनुपात 59% था; और 50% को लगा कि उनके जीवन को प्रभावित करने वाले AI-संबंधी निर्णयों में उनके विचारों का प्रतिनिधित्व नहीं किया गया। 2022/23 में, AI के सुरक्षित इस्तेमाल को सुनिश्चित करने की ज़िम्मेदारी किसकी होनी चाहिए—इस प्रश्न पर स्वतंत्र नियामक सबसे लोकप्रिय विकल्प (41%) था; 2024/25 में, जब उत्तरदाता अधिकतम तीन विकल्प चुन सकते थे, तो इसे 58% ने चुना।

पुलिसिंग में चेहरे की पहचान (91% ने इसे लाभकारी माना) और कल्याणकारी पात्रता (47%) के बीच का अंतर विचारणीय है। ऐसा लगता है कि उत्तरदाता AI को वहाँ स्वीकार करते हैं जहाँ उसे दूसरों को लक्षित करने वाला या अधिकारियों के लिए एक साधन माना जाता है, और वहाँ उसका विरोध करते हैं जहाँ वह उनके अपने हक़ों का निर्णय करता है।

साक्ष्य क्या नहीं दिखाते

• वास्तविक निर्णयों के बाद का व्यवहार। अधिकांश अध्ययन काल्पनिक परिदृश्यों का इस्तेमाल करते हैं। जिन लोगों को वास्तव में स्वचालित निर्णय मिला है—जैसे लाभ देने से इनकार—वे उसकी वैधता को कैसे आँकते हैं, उसका पालन करते हैं या अपील करते हैं, इस बारे में बहुत कम साक्ष्य हैं।
• दीर्घकालिक प्रभाव। सर्वेक्षण 2022 के बाद से बढ़ती चिंता दिखाते हैं, लेकिन वे सरकार में AI के प्रति प्रतिक्रियाओं को सामान्य रूप से जनरेटिव AI या समाचारों की घटनाओं के प्रति प्रतिक्रियाओं से अलग नहीं कर सकते।
• क्षेत्र में सुरक्षा उपायों के कारणात्मक प्रभाव। कॉन्जॉइंट प्रयोग दिखाते हैं कि अपील और स्पष्टीकरण से बताई गई स्वीकार्यता बढ़ती है; लेकिन वास्तविक सेवा में इन्हें शुरू करने से भरोसा बढ़ता है या नहीं, इसका क्षेत्रीय प्रयोगों से परीक्षण नहीं किया गया है।
• वैश्विक सामान्यीकरण। साक्ष्य-आधार मुख्यतः संयुक्त राज्य और पश्चिमी यूरोप से है।
• स्वीकार्यता की गुणवत्ता। लोग उन प्रणालियों को भी स्वीकार कर सकते हैं जिन्हें उन्हें स्वीकार नहीं करना चाहिए, जैसा कि प्रशंसा-संबंधी साहित्य और चेहरे की पहचान के आँकड़े सुझाते हैं। उच्च स्वीकार्यता इस बात का प्रमाण नहीं है कि कोई प्रणाली निष्पक्ष है।

संस्थागत अभिकल्पना के लिए निहितार्थ

1. व्यक्तियों से जुड़े महत्वपूर्ण निर्णयों के लिए मानव निर्णयकर्ता बनाए रखें और एल्गोरिदम को सलाह के रूप में प्रस्तुत करें। मिश्रित निर्णय-प्रक्रियाओं की वैधता और "मानवीय कौशल" वाले कार्यों पर साक्ष्य इस विकल्प का समर्थन किसी भी अन्य अभिकल्पना-विकल्प से अधिक करते हैं।
2. मानव से अपील करने को शिष्टाचार नहीं, अधिकार बनाएँ। यह वह विशेषता है जिसका स्वीकार्यता से सबसे लगातार संबंध पाया गया है और यह त्रुटियों के विरुद्ध मुख्य सुरक्षा उपाय भी है।
3. निर्णयों की व्याख्या करें, केवल प्रणालियों की नहीं। UK के पारदर्शिता अभिलेखों जैसे एल्गोरिदम रजिस्टर निगरानी में मदद करते हैं, लेकिन भरोसे के लिए व्यक्तिगत स्पष्टीकरण अधिक मायने रखते हैं।
4. उच्च-दाँव वाले सार्वजनिक उपयोगों में निजी क्षेत्र के साथ डेटा साझा करने और आपूर्तिकर्ताओं की अपारदर्शी भूमिकाओं से बचें, या उन्हें खुलकर उचित ठहराएँ।
5. संस्थागत विश्वसनीयता में निवेश करें। स्वीकार्यता इस बात पर निर्भर करती है कि तैनाती करने वाली एजेंसी पर कितना भरोसा है; अविश्वसनीय एजेंसी की भरपाई बेहतर मॉडल से नहीं होगी।
6. स्वीकार्यता को वैधता न समझें। प्रणालियों की सटीकता और निष्पक्षता का मूल्यांकन उनकी लोकप्रियता से स्वतंत्र रूप से किया जाना चाहिए।

अनुत्तरित प्रश्न

• क्या अपील के अधिकार भरोसा बढ़ाते हैं, जबकि लोगों को पता हो कि बहुत कम अपीलें सफल होती हैं?
• जब AI और मानव अधिकारी असहमत हों, तो लोग निर्णयों को कैसे आँकते हैं, और किसका निर्णय प्रभावी होना चाहिए?
• 2022 के बाद चिंता में हुई वृद्धि क्या सार्वजनिक सेवाओं में AI के अनुभव को दर्शाती है, या जनरेटिव AI को लेकर व्यापक आशंका को?
• पश्चिमी लोकतंत्रों से बाहर, जहाँ मानव अधिकारियों पर भरोसा कम हो सकता है, वहाँ दृष्टिकोण कैसे भिन्न होते हैं?
• क्या एल्गोरिदम प्रणालियों पर नागरिक सभाओं जैसी सहभागितापूर्ण प्रक्रियाएँ, उनमें भाग न लेने वालों के बीच भी वैधता बढ़ा सकती हैं?

स्रोत

1. Dietvorst, B. J., Simmons, J. P. और 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. और 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. और 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. और 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. और Marcinkowski, F. (2022). Fairness perceptions of algorithmic decision-making: A systematic review of the empirical literature. Big Data & Society 9(2).
6. Starke, C. और 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. और 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. और Shadbolt, N. (2018). 'It's Reducing a Human Being to a Percentage': Perceptions of Justice in Algorithmic Decisions. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems में.
10. Miller, S. M. और 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. और 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. और 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. और Achtziger, A. (2024). Algorithms in the public sector. Why context matters. Public Administration 102(1), 40-60.
15. Araujo, T., Helberger, N., Kruikemeier, S. और 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 नवंबर 2018.
17. Pew Research Center (2023). Growing public concern about the role of artificial intelligence in daily life, 28 अगस्त 2023.
18. Pew Research Center (2025). How the U.S. Public and AI Experts View Artificial Intelligence, 3 अप्रैल 2025.
19. Ada Lovelace Institute और The Alan Turing Institute (2023). How do people feel about AI? (2022/23 survey findings).
20. Ada Lovelace Institute और 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.