الگوریتم‌گریزی چیست؟ برای تعریف الگوریتم‌گریزی، یا ترس و اجتناب از الگوریتم‌ها و هوش مصنوعی، بخشی از چکیده‌ی مقاله‌ای را ببینیم که این اصطلاح را رایج کرد.
پژوهش‌ها گواه آنند که پیش‌بینی آینده توسط الگوریتم‌های شواهدمحور [یعنی الگوریتم‌‌هایی که بر اساس شواهد موثق پیش‌بینی می‌کنند]، دقیق‌تر از پیش‌بینی‌کنندگان انسانی‌ست. با این حال، زمانی که پیش‌بینی‌کنندگان تصمیم می‌گیرند از میان یک پیش‌بینی‌کننده‌ی انسانی، یا یک الگوریتم آماری یکی را گزینش کنند، اغلب پیش‌بینی‌کننده‌های انسانی را انتخاب می‌کنند. این پدیده را الگوریتم‌گریزی می‌نامیم. جالب آنکه حتی وقتی افراد شخصاً شاهد عملکرد بهتر الگوریتم هستند بیشتر از آنها اجتناب می‌کنند.
به عبارتی ساده‌تر عموم ما، حتی در مواردی که می‌دانیم الگوریتم بهتر از انسان عمل می‌کند، باز هم تصمیمِ انسانی را با اینکه خطاهایش بیشتر است، ترجیح می‌دهیم.
یافته‌ای جدید
آیا از یک دهه پیش که مقاله منتشر شده تا کنون نتایج پزوهش معتبر است؟ پاسخ مثبت است و کماکان الگوریتم‌گریزی رایج است.
مطابق یک پژوهش مروری جدید، الگوریتم‌گریزی در همه‌ی افراد جامعه یکسان نیست. به چند عامل مؤثر در آن اشاره کنیم.
نقش عوامل فردی
۱. افراد مسن بیش از جوانان الگوریتم‌گریزی دارند.
۲. زنان بر اشتباهات الگوریتم بیشتر تأکید دارند و اشتباهات آن را، هر چند از انسان کمتر باشد، توجیهی بر بی‌اعتمادی به آن می‌دانند و در مجموع الگوریتم‌گریزی در زنان بیش از مردان است.
۳. همچنین افراد با ویژگی‌های شخصیتی متفاوت الگوریتم‌گریزی متفاوتی را بروز می‌دهند. هر چه فردی به تجربههای جدید گشوده‌تر باشد الگوریتم‌گریزی در او کمتر است و به پیش‌بینی‌های الگوریتم بیشتر اعتماد می‌کند.
نقش عوامل محیطی
اما اگر گمان کنیم الگوریتم‌گریزی فقط تابع شرایط فردی مانند سن، جنسیت، یا شخصیت است اشتباه کرده‌ایم. یک فرد واحد می‌تواند در زمینه‌های مختلف درجات متفاوتی از الگوریتم‌گریزی را بروز دهد. مثلاً وقتی مکانیسم تصمیم‌گیری توسط الگوریتم برای فرد شرح داده شود الگوریتم‌گریزی در او کاهش می‌یابد. یا وقتی، نه فقط بخش پیش‌بینی، بلکه کل وظیفه در قالب اتوماسیون به ماشین واگذار می‌شود مردم بیشتر به الگوریتم اعتماد می‌کنند. همچنین اگر برای اخذ پیش‌بینی از الگوریتم باید پولی پرداخت می‌شد اعتماد به آن کاهش می‌یافت.
تبیین تکاملی:
کارکرد تکاملی گشودگی به تجربه در دسته‌ای از افرادِ جامعه، یافتن راهکارهایی جدید است. این ویژگی، که خطراتی برای فرد دارد، برای یافتن راه‌حل مسائل ضروری‌ست. از علل خطرآفرین بودن گشودگی به تجربه آن است که بسیاری از تجربههای جدید با تخطی از برخی قواعد رایج بدست می‌آیند و جامعه این تخطی را تنبیه می‌کند. اما فایده‌هایش در سطح گروهی بیش از خطرات آن است. این دسته از افراد پیشاهنگ‌های ورود به سرزمین‌های ناشناخته‌اند.
با این حال اگر قرار باشد تمامی افراد جامعه به یک میزان به تجربه گشوده باشند قواعدی باقی نخواهد ماند که هدایت‌گر زندگی روزمره باشد. معمولاً با افزایش سن خطرپذیری در افراد کاهش می‌یابد و در عوض این ویژگی در آنها تقویت می‌شود که پاسدار قواعد موجود باشند. بنابراین بی‌دلیل نیست که مسن‌ترها محافظه‌کارتر می‌شوند. پس با این توضیح می‌توان درک کرد که چرا افراد مسن‌تر و برخی تیپ‌های شخصیتی محافظه‌کارانه با نوآوری‌های جدید با احتیاط بیشتری برخورد می‌کنند و الگوریتم‌گریزی در آنها بیشتر است.
چرا الگوریتم‌گریزی در زنان بیش از مردان است؟! این‌بار پدیده ربط دارد به سرمایه‌گذاری بالاتر زنان در تولید فرزند. از آنجا که زنان سهم بیشتری در تولید فرزند دارند و علاوه بر ۹ ماه بارداری، پس از تولد نیز انرژی بیشتری در پرورش کودک صرف می‌کنند، ساختارهای ذهنی‌شان در جهت رصد شواهدی برای ارزیابی قابل اعتماد بودن جفت سازگاری یافته است. اما گاه ساختارهای ذهنی که به یک منظور خاص تکامل یافته‌اند کارکردهای جانبی پیدا می‌کنند. کارکرد جانبی این سازگاری در زنان کمتر بودن اعتماد به الگوریتم است.
اما چرا ابهام‌زدایی از سازوکار الگوریتم اعتماد به آن را بیشتر می‌کند؟
پدیده‌های مبهم، هم می‌توانند فایده‌هایی ناشناخته دربر داشته باشند و هم هزینه‌هایی پنهان. اما مغز ما در سبک‌سنگین کردن این دو، از هزینه‌های پنهان بیشتر واهمه دارد. پدیده‌ای که به زیان‌گریزی موسوم است ریشه‌های تکاملی کهنی دارد.
سمی بودن یک میوه‌ی ناشناخته ممکن است به معنی مرگ باشد در صورتیکه کالری حاصل از آن صرفاً برای چند ساعت فایده خواهد داشت. آشکارا اجتناب از مرگ مهم‌تر از کسب مقداری کالری است. به همین دلیل ساده ما نسبت به موارد مبهم کمتر اعتماد می‌کنیم. پژوهش نیز نشان داد که با روشن ساختن سازوکار الگوریتم، درجه الگوریتم‌گریزی کاهش یافت.