Det finns enligt Denscombe (2016) ett flertal forskningsstrategier som kan användas för att ta sitt forskningsprojekt i mål. Denna studie har använt sig av en kvalitativ ansats men med enkätundersökning som datainsamlingsmetod. Det finns viss problematik med att använda enkätundersökning som datainsamlingsmetod när man har en kvalitativ ansats. Denna problematik syftas till att man inte får den möjlighet att utveckla de svar som man annars kan göra när man kan ställa följdfrågor när exempelvis intervjuer genomförs.
Dock visar flera författare att enkätundersökning är en fullt fungerade datainsamlingsmetod om man i dess skapande fokuserar på öppna frågor som låter informanterna att få utveckla sina egna tankar och upplevelser själva. I denna studie har flertalet av informanterna tagit denna möjlighet och flera har angivit väldigt beskrivande och utförliga motiveringar till deras svar. Detta visade tydligt att datainsamlingsmetoden som valts både var rätt och intressant då detta visar att enkätundersökningar som sällan kopplas ihop med kvalitativa studier är en fullt fungerande metod för att kunna nå en empirisk mättnad. Antalet informanter som svarade på enkätundersökningen hade kunnat ökats ytterligare för att eventuellt uppnå ytterligare mättnad i det empiriska materialet. Men kvaliteten på det empiriska materialet som samlades in visar att metodvalet passade bra till denna studie.
Utformningen av enkätundersökningen möjliggjorde att informanterna kunde bidra med det djup som efterfrågades till denna studie. Tanken bakom valet av informanter var att samla in information från olika organisationer men som samtidigt använde samma typ av snäva
artificiella intelligens för att få flera olika perspektiv på samma typ av snäva artificiella intelligens. Det som gör valet av informanter intressant är att trots deras olika perspektiv, väljer flera att lyfta samma faktorer vilket visar att de var relevanta för studien.
Studien utgår ifrån verkligheten och en specifik lösning på ett antal verksamheter som verkar inom olika branscher. Att undersöka denna problematik inom andra branscher och områden är högst tillämpar då problematiken har identifierats inom alla verksamheter som denna studie har använt sig av.
6 Slutsatser
De faktorer som den tidigare forskningen hade identifierat visade sig i denna studie vara relevanta och påverkar användarna i högsta grad för att kunna uppnå en hög
användaracceptans. Informanterna fick också besvara vilken faktor de tyckte var av högre prioritet där både tillit och kommunikation var de faktorer som informanterna lyfte mest.
Denna studie har även identifierat nya faktorer som påverkar användaracceptansen av AI och dessa faktorer är: spänning, kontroll, förståelse för tekniken och insyn. Det går även att dra slutsatser kring metodvalet och att enkätundersökningar mycket väl kan fungera i kvalitativa studier men att det kräver ett omfattande arbete med de frågor som informanterna skall besvara för att kunna få god kvalité i den data man samlar in.
Baserat på studiens forskningsfrågor kan det därför konstaterats att de faktorer som ansågs speciellt viktiga för att uppnå en hög användaracceptans var faktorerna tillit och
kommunikation. Vidare identifierade också denna studie att informanter även ansåg andra faktorer som viktiga för deras användaracceptans. Det kan konstateras att de faktorer som den tidigare forskningen lagt fram stämde överens med användarnas egen uppfattning till viss del men behöver eventuellt kompletteras med de nya faktorerna identifierade av användarna. Men det måste understrykas att slutsatserna kring denna studie måste underbyggas av mer
omfattande undersökningar. Detta behövs för att kunna styrka de slutsatser som presenteras här, både kring de nya faktorerna som har identifierats och metodvalet.
7 Framtida forskning
För att ta forskningen framåt visar denna studie att det finns faktorer som den tidigare forskningen inte har identifierat. Dessa faktorer kräver ytterligare belägg och bör undersökas i liknande sammanhang som denna studie. Även andra sammanhang kan undersökas för att verifiera att dessa faktorer påverkar användarna och om dessa bör inkluderas när man behandlar användaracceptans av AI. Genom att genomföra liknande studier med liknande metod eller genom intervjuer kan det undersökas och eventuellt bekräftas huruvida denna studies identifierade faktorer korresponderar i andra kontexter där hög användaracceptans inom AI skall uppnås.
Slutligen skulle det också vara av intresse att genomföra liknande studier med syfte att undersöka om det finns ytterligare faktorer som påverkar användares acceptans. Detta är av intresse då AI inför sin yttersta frammarsch behöver backas upp med forskning där informatiken bakom AI måste stå i centrum, då informatik kan spela en avgörande roll i hur väl AI kommer att implementeras och accepteras i framtiden.
Referenser
Adnan, N., Md Nordin, S., bin Bahruddin, M. och Ali, M. 2018. How trust can drive forward the user acceptance to the technology? In-vehicle technology for autonomous
vehicle. Transportation Research Part A: Policy och Practice, vol. 118, pp. 819-836.
Ajzen, Icek. 1991. The theory of planned behavior. Organizational Behavior and Human Decision Processes, vol. 50, no. 2, pp.179-211.
Aljarboa, S. och Miah, S.J. 2018. Acceptance of a Clinical Decision Support System for improving Healthcare Services in Saudi Arabia. Proceedings - 2017 4th Asia-Pacific World Congress on Computer Science and Engineering, APWC on CSE 2017 8487278, pp. 144–
148.
Alvarez, I., López-de-Ipiña, M. och Gilbert, J. 2012. The Voice User Help, a Smart Vehicle Assistant for the Elderly. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 7656 LNCS, pp. 314–
321.
Brookhuis, K.A., van Driel, C.J.G., Hof, T., van Arem, B. och Hoedemaeker, M.
2009. Driving with a congestion assistant; mental workload och acceptance. Applied Ergonomics, vol. 40, no. 6, pp. 1019-1025.
Bryman, Alan. 2018. Samhällsvetenskapliga metoder. 4. uppl. Stockholm: Liber.
Buckley, L., Kaye, S.-A. och Pradhan, A.K. 2018. Psychosocial factors associated with intended use of automated vehicles: A simulated driving study. Accident Analysis &
Prevention, vol. 115, pp. 202-208.
Chang, H.H. 2008. Intelligens agent’s technology characteristics applied to online auctions, task: A combined model of TTF and TAM. Technovation, vol. 28, no. 9, pp.
564-577.
Danielsson, Lars och Lindström, Karin. 2019. Det här är AI och funkar
det. Techworld.idg.se. https://techworld.idg.se/2.2524/1.699032/ai-sa-funkar (Hämtad 2019-04-08)
Darlington, Keith. 2018. The Age of Artificial intelligence (3): The Future. Openmind.
https://www.bbvaopenmind.com/en/the-age-of-artificial-intelligence-3-the-future/ (Hämtad:
2019-02-11)
Davis, F. D., Bagozzi, R. P. och Warshaw, P. R. (1989). User Acceptance of Computer Technology: A Comparison of Two Theoretical Models. Management science, vol. 35, no. 8, pp. 982-1003.
Denscombe, Martyn. 2016. Forskningshandboken: för småskaliga forskningsprojekt inom samhällsvetenskaperna. 3., rev. och uppdaterade uppl. Lund: Studentlitteratur.
Gulliksen, Jan & Göransson, Bengt. 2002. Användarcentrerad systemdesign: en process med fokus på användare och användbarhet. Lund: Studentlitteratur.
Hollister, J.R. och Gonzalez, A.J. 2019. The campfire storytelling system–automatic creation och modification of a narrative. Journal of Experimental och Theoretical Artificial
Intelligence. vol. 31, no. 1, pp. 15-40.
Huang, H.L. och Chen, C.J. 2016. Decision support system in the nursing instruction information system. Studies in Health Technology and Informatics, vol. 225, pp. 909-910.
Jajal, T. 2018. Distinguishing between Narrow AI, General AI and Super AI. Medium.
https://medium.com/@tjajal/distinguishing-between-narrow-ai-general-ai-and-super-ai-a4bc44172e22 (Hämtad 2019-05-20)
Jansen, Harrie. 2010. The Logic of Qualitative Survey Research and its Position in the Field of Social Research Methods.
http://www.qualitative-research.net/index.php/fqs/article/view/1450/2946 (Hämtad 2019-05-14)
JingWen, E.M., Yap, B. och Fu, S. 2018. Improving of user trust in machine learning recommender-based business applications through UI design: A case study. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 10923 LNCS, pp. 715–729.
Kaur, K. och Rampersad, G. 2018. Trust in driverless cars: Investigating key factors influencing the adoption of driverless cars. Journal of Engineering and Technology Management - JET-M, vol. 48, pp. 87-96.
Kersting, K. 2018. Machine Learning and Artificial Intelligence: Two Fellow Travelers on the Quest for Intelligent Behavior in Machines. Frontiers in Big Data, vol. 1.
Klumpp, M. 2017. Automation and artificial intelligence in business logistics systems:
human reactions and collaboration requirements. International Journal of Logistics Research and Applications, vol. 21, no. 3, pp. 224-242.
Korn, O., Bieber, G. och Fron, C. 2018. Perspectives on social robots. From the historic background to an experts' view on future developments. ACM International Conference Proceeding Series, pp. 186-193.
Maida, M., Maier, K., Obwegeser, N. och Stix, V. 2013. Success of Multi Criteria Decision Support Systems: The relevance of trust. Proceedings of the Annual Hawaii International Conference on System Sciences 6479979, pp. 1203-1210.
Malmqvist, Mattias. 2019. Massiv ökning av AI på företagen - det ställer nya krav på cio:n. Cio.idg.se. https://cio.idg.se/2.1782/1.713367/okning-ai-foretag (Hämtad 2019-04-08)
Marc, D.T. och Khairat, S.S. 2013. Why do physicians have difficulty accepting clinical decision support systems? Studies in Health Technology och Informatics, vol.
192, no. 1-2, pp. 1202.
OECD. 2017. OECD Digital Economy Outlook 2017. Paris: OECD Publishing.
Panagiotopoulos, I. och Dimitrakopoulos, G. 2018. An empirical investigation on consumers’ intentions towards autonomous driving. Transportation Research Part C:
Emerging Technologies, vol. 95, pp. 773-784.
Peiser, Jaclyn. 2019. The Rise of the Robot Reporter. The New York Times.
https://www.nytimes.com/2019/02/05/business/media/artificial-intelligence-journalism-robots.html (Hämtad 2019-05-13)
Polonski, V. 2018. People don't trust AI - here's how we can change that. The Conversation.
https://theconversation.com/people-dont-trust-ai-heres-how-we-can-change-that-87129 (Hämtad 2019-05-24)
Portela, F., Oliveira, S., Santos, M., Machado, J. och Abelha, A. 2015. A Real-Time Intelligent System for Tracking Patient Condition. Lecture Notes in Computer Science(including subseries Lecture Notes in Artificial Intelligence och Lecture Notes in Bioinformatics) 9456, pp. 91–97.
Rigopoulos, G., Psarras, J. och Askounis, D.Th. 2008. A TAM model to evaluate user's attitude towards adoption of decision support systems. Journal of Applied Sciences, vol.
8, no. 5, pp. 899-902.
Russell, Stuart Jonathan & Norvig, Peter. 2014. Artificial intelligence: a modern approach. 3rd, Pearson new international edition. Harlow: Pearson Education Limited.
Shibl, R., Lawley, M. och Debuse, J. 2013. Factors influencing decision support system acceptance. Decision Support Systems, vol. 54, no. 2, pp. 953-961.
Stone, P., Brooks, R., Brynjolfsson, E., Calo, R., Etzioni, O., Hager, G., Hirschberg, J., Kalyanakrishnan, S., Kamar, E., Kraus, S., Leyton-Brown, K., Parkes, D., Press, W., Saxenian, A., Shah, J., Tambe, M. och Teller, A. 2016. Artificial intelligence and Life in 2030. One Hundred Year Study on Artificial Intelligence: Report of the 2015-2016 Study Panel, Stanford University, Stanford, CA.
Tan, K. och Lim, B. 2018. The artificial intelligence renaissance: deep learning and the road to human-Level machine intelligence. APSIPA Transactions on Signal and Information Processing, vol. 7.
Tseng, K.C., Hsu, C.-L. och Chuang, Y.-H. 2013. Designing an intelligent health monitoring system and exploring user acceptance for the elderly. Journal of Medical Systems, vol. 37, no. 6, 9967.
Vaezipour, A., Rakotonirainy, A., Haworth, N. och Delhomme, P. 2018. A simulator evaluation of in-vehicle human machine interfaces for eco-safe driving. Transportation Research Part A: Policy and Practice, vol. 118, pp. 696-713.
Venkatesh, V. och Davis, F. 2000. A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies. Management Science, vol. 46, no.
2, pp.186-204.
Venkatesh, Morris, Davis och Davis. 2003. User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, vol. 27, no. 3. pp.425.
Verberne, F.M.F., Ham, J och Midden, C.J.H. 2012. Trust in smart systems: Sharing driving goals and giving information to increase trustworthiness and acceptability of smart systems in cars. Human Factors, vol. 54, no. 5, pp.799–810.
Versteeg, L. och Roelofsma, P.H.M.P. 2012. Sex Differences in User Acceptance of Avatars. Communications in Computer and Information Science 277 CCIS, pp. 189-191.
Vetenskapsrådet. 2009. Forskningsetiska principer inom humanistisk samhällsvetenskaplig forskning. Vetenskapsrådet.
http://www.codex.vr.se/texts/HSFR.pdf (Hämtad: 2019-04-09)
Wallén, Göran. 1996. Vetenskapsteori och forskningsmetodik. 2. uppl. Lund:
Studentlitteratur.
Wendt, T., Knaup-Gregori, P. och Winter, A. 2000. Decision support in medicine: A survey of problems of user acceptance. Studies in Health Technology and Informatics, vol. 77, pp. 852-856.
Wilkens, U. och Artinger, F.M. 2019. Design Components of Clinical Work Environments with Computerized Decision Support Systems. Advances in Intelligent Systems and Computing 903, pp.137-141.
Xu, N. och Wang, K.-J. 2019. Adopting robot lawyer? the extending artificial intelligence robot lawyer technology acceptance model for legal industry by an exploratory study. Journal of Management and Organization, pp. 1-19.
Yang, H., Lee, H. och Zo, H. 2017. User acceptance of smart home services: An extension of the theory of planned behavior. Industrial Management och Data Systems, vol. 117, no. 1, pp. 68-89.
Åsberg, Rodney. 2001. Det finns inga kvalitativa metoder– och inga kvantitativa heller för den delen: Det kvalitativa-kvantitativa argumentets missvisande retorik. Pedagogisk forskning I Sverige, vol. 6, no 4, pp. 270-292.
Bilagor
Bilaga 1: Informationsblad
Hej mitt namn är Emil Gustavsson och jag utför just nu mitt examensarbete som handlar om användaracceptans och AI i Sitevision. Varför jag kontaktar just dig är då jag ämnar till att undersöka hur ni som arbetar med SiteVision upplever och känner kring AI.
Nedan finns en länk till en enkät som handlar om just detta och jag hoppas få många svar som möjligt för att kunna få en ökad förståelse för hur ni som användare upplever detta. Enkäten kommer vara av kvalitativ karaktär där ni som informanter har möjlighet att utveckla era svar för att jag som författare skall kunna förstå hur ni resonerar kring vissa frågor och kommer inte att vara längre än 4 – 10 minuter.
Har du några frågor? Skicka många du/ni orkar ska jag försöka svara på många jag kan.
Länk till enkätundersökning:
Ha en trevlig dag!
Med vänlig hälsning Emil Gustavsson
Emgu1601@student.miun.se 0733901464
Bilaga 2: Enkätundersökning
Hej!
Jag heter Emil Gustavsson och läser kandidatkursen Informatik med inriktning
systemutveckling. Till min C-uppsats ska jag utföra en enkätundersökning och jag söker dig som idag arbetar på något sätt med SiteVision.
Syftet med denna enkätundersökning är att undersöka om de faktorer som framkommit från den tidigare forskningen angående AI överensstämmer med användarnas egen uppfattning om vad som påverkar dem när det gäller acceptans av AI. Vidare undersöker studien hur användarna prioriterar dessa faktorer och om det finns andra faktorer som användarna själva har identifierat som viktiga.
Denna enkätundersökning är av kvalitativ karaktär där du som informant gärna utvecklar och motiverar dina svar mycket du bara kan. Denna enkät tar mellan 4-10minuter och studien är anonym vilket betyder att inga personuppgifter och/eller kontaktuppgifter kommer att lagras för att det ej skall finnas någon spårbarhet till det som presenteras i arbetet. Jag tackar hemskt mycket på förhand för att du tar dig tid att svara på just min enkät.
Vid frågor får du gärna kontakta mig via mail!
Emil Gustavsson: emgu1601@student.miun.se Med vänliga hälsningar
Emil Gustavsson
Enkätfrågor
1. Kan du beskriva vad AI i SiteVision är för dig?
2. Vad är dina positiva upplevelser av AI i SiteVision?
3. Vad är dina negativa upplevelser av AI i SiteVision?
4. Prioritera följande påståenden som du anser påverkar dig rörande AI.
e. Att du måste kunna lita på den artificiella intelligensen f. Att den artificiella intelligensen delar med sig av information g. Att det finns en rädsla/risk mot AI
h. Att den artificiella intelligensen måste uppnå sina mål på ett ändamålsenligt, effektivt och tillfredsställande sätt.
c. Att gränssnittet som den artificiella intelligensen använder sig av är logiskt utformat.
d. Egen faktor – Fritext
4.1 Motivera din prioritering ovan, varför valde du att prioritera som du gjorde?
5. Övrig kommentar