Kunstmatige Intelligentie en het Tetris Dilemma

In een baanbrekend onderzoek onder leiding van Cornell University, gingen onderzoekers op een verkenningstocht naar de domeinen van algoritme-rechtvaardigheid in een tweespelersversie van het klassieke spel Tetris. Het experiment was gebaseerd op een eenvoudige maar diepgaande premisse: spelers die minder beurten kregen tijdens het spel, zagen hun tegenstander als minder aangenaam, ongeacht of een mens of een algoritme verantwoordelijk was voor het toewijzen van de beurten.

Deze benadering markeerde een significante afwijking van de traditionele focus van onderzoek naar algoritme-rechtvaardigheid, dat voornamelijk is gericht op het algoritme of de beslissing zelf. In plaats daarvan besloot het onderzoek van Cornell University om licht te werpen op de relaties tussen de mensen die worden beïnvloed door algoritme-beslissingen. Deze keuze van focus werd gedreven door de real-world implicaties van AI-besluitvorming.

“We zien steeds meer situaties waarin AI beslissingen neemt over hoe middelen moeten worden verdeeld onder mensen,” merkte Malte Jung, associate professor of information science aan Cornell University, die het onderzoek leidde, op. Naarmate AI steeds meer wordt geïntegreerd in verschillende aspecten van het leven, benadrukte Jung de noodzaak om te begrijpen hoe deze machine-gemaakte beslissingen interpersoonlijke interacties en percepties vormen. “We zien steeds meer bewijs dat machines de manier waarop we met elkaar omgaan verstoren,” zei hij.

Het Experiment: Een Twist op Tetris

Om het onderzoek uit te voeren, maakte Houston Claure, een postdoctoraal onderzoeker aan Yale University, gebruik van open-source software om een gemodificeerde versie van Tetris te ontwikkelen. Deze nieuwe versie, genaamd Co-Tetris, liet twee spelers toe om afwisselend samen te werken. Het gedeelde doel van de spelers was om vallende geometrische blokken te manipuleren, ze netjes te stapelen zonder gaten te laten en te voorkomen dat de blokken tot de top van het scherm stapelden.

In een twist op het traditionele spel, bepaalde een “allocator” – ofwel een mens of een AI – welke speler elke beurt zou nemen. De toewijzing van beurten werd zo verdeeld dat spelers 90%, 10% of 50% van de beurten kregen.

Het Concept van Machine Allocatie Gedrag

De onderzoekers veronderstelden dat spelers die minder beurten kregen, de onevenwichtigheid zouden herkennen. Echter, wat ze niet verwachtten, was dat de gevoelens van spelers jegens hun medespeler grotendeels hetzelfde zouden blijven, ongeacht of een mens of een AI de allocator was. Dit onverwachte resultaat leidde ertoe dat de onderzoekers de term “machine allocatie gedrag” bedachten.

Dit concept verwijst naar het waarneembare gedrag dat mensen vertonen op basis van toewijzingsbeslissingen gemaakt door machines. Het is een parallel met het gevestigde fenomeen van “resource allocatie gedrag”, dat beschrijft hoe mensen reageren op beslissingen over resource-verdeling. De opkomst van machine allocatie gedrag toont aan hoe algoritme-beslissingen sociale dynamiek en interpersoonlijke interacties kunnen vormen.

Rechtvaardigheid en Prestatie: Een Verwarringwekkend Paradox

Echter, het onderzoek stopte niet bij het onderzoeken van percepties van rechtvaardigheid. Het onderzocht ook de relatie tussen toewijzing en spel-prestatie. Hier waren de resultaten enigszins paradoxaal: rechtvaardigheid in de toewijzing van beurten leidde niet noodzakelijkerwijs tot betere prestaties. In feite resulteerde een gelijke toewijzing van beurten vaak in slechtere spel-scores in vergelijking met situaties waarin de toewijzing ongelijk was.

Claure legde uit: “Als een sterke speler de meeste blokken krijgt, zal het team beter presteren. En als één persoon 90% krijgt, zal hij of zij uiteindelijk beter worden dan als twee gemiddelde spelers de blokken delen.”

In onze evoluerende wereld, waar AI steeds meer wordt geïntegreerd in besluitvormingsprocessen in verschillende domeinen, biedt dit onderzoek waardevolle inzichten. Het biedt een intrigerende verkenning van hoe algoritme-besluitvorming percepties, relaties en zelfs spel-prestatie kan beïnvloeden. Door de complexiteiten te benadrukken die ontstaan wanneer AI menselijk gedrag en interacties kruist, moedigt het onderzoek ons aan om cruciale vragen te stellen over hoe we deze dynamische, technologie-gedreven landschap beter kunnen begrijpen en navigeren.