2 lipca 2026 roku w czasopiśmie Entropy ukazał się artykuł naukowy pt. "Beyond Positive Response Rates: Capturing Information Richness in Workplace AI Acceptance Using Belief Structure TOPSIS" autorstwa prof. Ewy Roszkowskiej i Tomasza Wachowicz. Artykuł przedstawia implementację opracowanego wcześniej narzędzia - Belief Structure TOPSIS - do analizy danych ankietowych dotyczących akceptacji narzędzi AI na rynku pracy w krajach Unii Europejskieh. Dodatkowo proponuje rozszerzenie analizy stabilności uzyskanych rezultatów poprzez zautomatyzowaną analizę symulacyjną i weryfikację prawie dominacji stochastycznej.
Artykuł dostępny jest w bezpośrednio pod linkiem: https://www.mdpi.com/1099-4300/28/7/759
Poniżej abstrakt artykułu w języku polskim:
W niniejszym badaniu zastosowano metodę TOPSIS opartą na strukturze przekonań (B-TOPSIS) do analizy postaw wobec sztucznej inteligencji w miejscu pracy w krajach UE27. Proponowane podejście zachowuje pełny rozkład odpowiedzi sondażowych, wprost uwzględnia niepewność oraz ocenia warianty na podstawie ich odległości od idealnych i antyidealnych struktur przekonań. Wykorzystując dane z badania Eurobarometr 554, skonstruowano indywidualne wskaźniki B-TOPSIS dla ośmiu zastosowań AI w miejscu pracy oraz zbiorczy wskaźnik B-TOPSIS odzwierciedlający ogólną akceptację.
Wyniki wskazują na systematyczne zróżnicowanie między poszczególnymi krajami. Działania takie jak gromadzenie informacji o kandydatach, przydzielanie zadań czy przetwarzanie danych pracowników spotykają się zazwyczaj z umiarkowaną akceptacją. Zastosowania skoncentrowane na bezpieczeństwie cieszą się szerokim poparciem, podczas gdy praktyki wrażliwe etycznie, takie jak monitorowanie pracowników czy automatyczne zwalnianie z pracy, charakteryzują się niskim poziomem akceptacji.
Ponadto analiza wrażliwości oparta na symulacji Monte Carlo i dominacji stochastycznej wykazuje, że uzyskane rankingi pozostają wysoce stabilne przy alternatywnych założeniach dotyczących funkcji użyteczności, co potwierdza odporność proponowanego podejścia. Porównanie z rankingami opartymi na sumie pozytywnych odpowiedzi (powszechnie stosowanymi w raportach UE) wskazuje, że choć oba podejścia są silnie skorelowane, nie są tożsame. Dzięki zachowaniu pełnej struktury odpowiedzi proponowana metoda wychwytuje różnice w natężeniu postaw, które pozostają ukryte w przypadku konwencjonalnych miar zbiorczych. Wnioski podkreślają wielowymiarowy i warunkowy charakter akceptacji AI w miejscu pracy w UE oraz wskazują na wartość metody opartej na strukturze przekonań w analizie danych sondażowych.
Wyniki wskazują na systematyczne zróżnicowanie między poszczególnymi krajami. Działania takie jak gromadzenie informacji o kandydatach, przydzielanie zadań czy przetwarzanie danych pracowników spotykają się zazwyczaj z umiarkowaną akceptacją. Zastosowania skoncentrowane na bezpieczeństwie cieszą się szerokim poparciem, podczas gdy praktyki wrażliwe etycznie, takie jak monitorowanie pracowników czy automatyczne zwalnianie z pracy, charakteryzują się niskim poziomem akceptacji.
Ponadto analiza wrażliwości oparta na symulacji Monte Carlo i dominacji stochastycznej wykazuje, że uzyskane rankingi pozostają wysoce stabilne przy alternatywnych założeniach dotyczących funkcji użyteczności, co potwierdza odporność proponowanego podejścia. Porównanie z rankingami opartymi na sumie pozytywnych odpowiedzi (powszechnie stosowanymi w raportach UE) wskazuje, że choć oba podejścia są silnie skorelowane, nie są tożsame. Dzięki zachowaniu pełnej struktury odpowiedzi proponowana metoda wychwytuje różnice w natężeniu postaw, które pozostają ukryte w przypadku konwencjonalnych miar zbiorczych. Wnioski podkreślają wielowymiarowy i warunkowy charakter akceptacji AI w miejscu pracy w UE oraz wskazują na wartość metody opartej na strukturze przekonań w analizie danych sondażowych.
