Можно ли доверять компьютеру принятие управленческих решений?

Обновлено: 21.11.2024

Новое исследование показывает, что для принятия повседневных решений и оптимизации своей жизни люди больше полагаются на алгоритмы, чем на социальное влияние, когда задача усложняется.

При принятии повседневных решений люди доверяют компьютерам больше, чем людям: исследование (фото Kaleidico на Unsplash)

Согласно новому исследованию ученых из Университета Джорджии, люди могут больше доверять компьютерной программе, чем своим собратьям, особенно если задача становится слишком сложной.

Результаты исследования были опубликованы в журнале Nature's Scientific Reports.

От выбора следующей песни в плейлисте до выбора правильного размера брюк люди больше полагаются на советы алгоритмов, которые помогают принимать повседневные решения и оптимизировать свою жизнь.

"Алгоритмы способны выполнять огромное количество задач, и количество задач, которые они могут выполнять, увеличивается практически с каждым днем", – – сказал Эрик Богерт, аспирант факультета управленческой информации Terry College of Business. Системы.

Богерт добавил: "Похоже, что по мере усложнения задачи существует предубеждение в пользу алгоритмов, и этот эффект сильнее, чем предубеждение в пользу того, чтобы полагаться на советы других людей".

Богерт работал с профессором систем управления информационными системами Риком Уотсоном и доцентом Аароном Шектером над статьей "По мере усложнения задачи люди больше полагаются на алгоритмы, чем на социальное влияние".

Их исследование, в котором приняли участие 1500 человек, оценивающих фотографии, является частью более крупной работы, посвященной анализу того, как и когда люди работают с алгоритмами для обработки информации и принятия решений.

Для этого исследования команда попросила добровольцев подсчитать количество людей на фотографии толпы и предложила варианты, созданные группой других людей, и предложения, созданные алгоритмом.

По мере того, как количество людей на фотографии увеличивалось, подсчет становился все труднее, и люди с большей вероятностью следовали предложению, сгенерированному алгоритмом, а не считали себя! или следуйте «мудрости толпы», — сказал Шектер.

Шектер объяснил, что выбор подсчета в качестве пробного задания был важен, потому что количество людей на фотографии объективно усложняет задание по мере его увеличения. Это также тип задач, с которыми непрофессионалы ожидают, что компьютеры будут хороши.

"Люди полагают, что это задача, с которой компьютер справится хорошо, хотя она может быть более подвержена предвзятости, чем подсчет объектов", – сказал Шектер. «Одна из распространенных проблем с ИИ заключается в том, что он используется для присуждения кредита или одобрения кого-либо для получения кредита. Хотя это субъективное решение, там есть много цифр, таких как доход и кредитный рейтинг, поэтому люди чувствуют себя это хорошая работа для алгоритма. Но мы знаем, что во многих случаях зависимость приводит к дискриминации из-за социальных факторов, которые не учитываются."

Алгоритмы распознавания лиц и найма также подвергались тщательному анализу в последние годы, поскольку их использование выявило культурные предубеждения в том, как они были построены, что может привести к неточностям при сопоставлении лиц с личностями или отборе квалифицированных кандидатов на работу, – сказал Шектер.

Эти предубеждения могут отсутствовать в такой простой задаче, как подсчет, но их присутствие в других надежных алгоритмах является причиной того, почему важно понимать, как люди полагаются на алгоритмы при принятии решений, – добавил он.

Это исследование было частью более крупной исследовательской программы Schecter по взаимодействию человека и машины, которая финансируется за счет гранта в размере 300 000 долларов США от Исследовательского бюро армии США.

"Конечная цель – изучить группы людей и машин, принимающих решения, и выяснить, как мы можем заставить их доверять друг другу и как это меняет их поведение", – сказал Шектер. "Поскольку исследований в этой области очень мало, мы начнем с основ".

Шектер, Уотсон и Богерт в настоящее время изучают, как люди полагаются на алгоритмы при вынесении творческих и моральных суждений, таких как написание описательных отрывков и освобождение заключенных под залог.

Подпишитесь на другие новости в Facebook и Twitter

Эта история была опубликована из ленты информационного агентства без изменений текста. Изменился только заголовок.

Узнайте о надежных компьютерах и узнайте, как изменить настройки.

Что означают настройки доверия на вашем устройстве

При первом подключении iPhone, iPad или iPod touch к компьютеру или другому устройству появляется предупреждение с вопросом, доверяете ли вы компьютеру:

  • Надежные компьютеры могут синхронизироваться с вашим устройством, создавать резервные копии и получать доступ к фотографиям, видео, контактам и другому содержимому вашего устройства. Эти компьютеры остаются доверенными, пока вы не измените список компьютеров, которым доверяете, или не очистите свое устройство.
  • Если вы решите не доверять компьютеру, вы заблокируете ему доступ к содержимому на вашем устройстве. Вы будете видеть предупреждение о доверии каждый раз, когда будете подключать свое устройство к этому компьютеру.

Выберите, доверять ли компьютеру

  1. Подключите iPhone, iPad или iPod touch к компьютеру или другому устройству.
  2. Введите пароль, если он у вас есть, чтобы разблокировать iPhone, iPad или iPod touch.
  3. Если вы хотите разрешить компьютеру доступ к информации на вашем устройстве, выберите свое устройство в Finder и нажмите «Доверять» или, если вы используете iTunes, нажмите «Продолжить».
  4. На iPhone, iPad или iPod touch подтвердите, что разрешаете компьютеру или другому устройству доступ к вашим данным. Если вы не хотите доверять компьютеру или другому подключенному устройству, нажмите «Не доверять» на своем устройстве. Если вы хотите доверять своему компьютеру, нажмите "Доверять".

    5. Измените настройки доверенных компьютеров

    Ваше устройство запоминает компьютеры, которым вы доверяете.

    Если вы больше не хотите доверять компьютеру или другому устройству, измените настройки конфиденциальности на своем iPhone, iPad или iPod touch. Выберите «Настройки» > «Основные» > «Сброс» > «Сбросить местоположение и конфиденциальность». Теперь, когда вы подключаетесь к ранее доверенным компьютерам, предупреждение о доверии спросит вас, доверяете ли вы этому компьютеру.

    Получить помощь

    Если вы нажмете «Доверять» или «Не доверять», но не принимаете ваш ответ или если предупреждение о доверии не появляется, выполните следующие действия. Повторяйте попытку после каждого:

    1. Убедитесь, что на вашем компьютере установлена ​​последняя версия macOS или iTunes.
    2. Отключите и снова подключите устройство к компьютеру.
    3. Перезагрузите компьютер.
    4. Перезагрузите устройство.
      5. .

    Если описанные выше действия не помогли, откройте «Настройки» > «Основные» > «Сброс» и нажмите «Сбросить настройки сети». Это также сбрасывает сети и пароли Wi-Fi, настройки сотовой связи, а также настройки VPN и APN, которые вы использовали ранее.

    Если вы загрузили iTunes для Windows из Магазина Microsoft, убедитесь, что помощник по мобильным устройствам iTunes включен в качестве элемента автозагрузки.

    Информация о продуктах, не производимых Apple, или независимых веб-сайтах, не контролируемых и не тестируемых Apple, предоставляется без рекомендации или одобрения. Apple не несет ответственности за выбор, работу или использование сторонних веб-сайтов или продуктов. Apple не делает никаких заявлений относительно точности или надежности сторонних веб-сайтов. Свяжитесь с поставщиком для получения дополнительной информации.

    Ученые, работающие с данными и компьютерными технологиями, экологи, патологоанатомы и юристы изучают предвзятость ИИ

    Искусственный интеллект затрагивает практически все аспекты нашей жизни: от мобильного банкинга и онлайн-покупок до социальных сетей и карт пробок в реальном времени. Но что происходит, когда искусственный интеллект предвзят? Что, если он допустит ошибки в важных решениях — от того, кто получит собеседование или ипотеку, до того, кто будет арестован и сколько времени они в конечном итоге отсидят за преступление?

    "Эти повседневные решения могут сильно повлиять на траектории нашей жизни, и все чаще они принимаются не людьми, а машинами, – – сказал профессор информатики Калифорнийского университета в Дэвисе Ян Дэвидсон.

    Профессор информатики Ян Дэвидсон позирует с компьютером на базе графического процессора, используемым для глубокого обучения. «Они одновременно и герои, и злодеи ИИ, что позволяет нам быстро выполнять сложное обучение, а также изучать сложные суррогаты для расы и пола», — говорит он. (Грегори Уркиага/UC Davis)

    Растущий объем исследований, в том числе исследования Дэвидсона, показывает, что предвзятость в искусственном интеллекте может привести к предвзятым результатам, особенно для меньшинств и женщин.

    Например, технологии распознавания лиц стали предметом все более пристального внимания, поскольку было доказано, что они лучше распознают белые лица, чем лица людей с более темной кожей. Они также лучше распознают мужские лица, чем женские. Ошибки в этих системах привели к ряду ложных арестов из-за ошибочной идентификации.

    На самом деле опасения по поводу предвзятости технологий распознавания лиц привели к ряду запретов на их использование. В июне 2019 года Сан-Франциско стал одним из первых городов страны, запретивших использование технологий распознавания лиц полицией и другими городскими департаментами. Штат Калифорния последовал этому примеру в январе 2020 года, введя трехлетний мораторий на использование технологии распознавания лиц в полицейских нательных камерах.

    Опасения по поводу предвзятости технологий распознавания лиц вынудили Калифорнию ввести запрет на их использование в полицейских нательных камерах. (Гетти изображения)

    Расовое профилирование стало цифровым?

    Ряд технологий продвигает распознавание лиц на шаг вперед, анализируя и интерпретируя атрибуты лица и другие данные для оценки рисков, выявления угроз или необычного поведения. В мире наблюдения за данными это называется «обнаружение аномалий». Эти технологии все чаще используются правоохранительными органами, службами безопасности аэропортов, а также фирмами, занимающимися розничной торговлей и безопасностью мероприятий.

    В недавнем исследовании Дэвидсон и доктор философии. студент Хунцзин Чжан продемонстрировал, что алгоритмы обнаружения аномалий такого типа с большей вероятностью предсказывают, что афроамериканцы или темнокожие мужчины являются аномалиями.

    "Поскольку обнаружение аномалий часто применяется к людям, которых затем подозревают в необычном поведении, обеспечение справедливости становится первостепенной задачей", – сказал Дэвидсон. «Если один из этих алгоритмов используется для целей наблюдения, гораздо больше шансов идентифицировать цветных людей. Если туда войдет белый человек, вряд ли это вызовет аномальное событие. Если черный человек войдет, так и будет».

    «Машина не предвзята. У него нет морального компаса. Он просто видел больше белых лиц в данных, на которых он обучался раньше, и поэтому научился связывать это с нормальным явлением». — Ян Дэвидсон, профессор информатики Калифорнийского университета в Дэвисе

    Это очень похоже на компьютерное расовое профилирование.

    "Но это совершенно непреднамеренно", – сказал Дэвидсон. «Машина не предвзятая. У него нет морального компаса. Он просто видел больше белых лиц в данных, на которых он обучался раньше, и поэтому научился связывать это с нормальным явлением».

    Обеспечить честность и отсутствие предвзятости искусственного интеллекта сложно, – пояснил он. Его работа показывает, что добавление большего количества цветных людей к данным, на которых учится машина, помогает, но не устраняет проблему.

    Исследование Калифорнийского университета в Дейвисе показало, что методы обнаружения глубинных аномалий несправедливы. При тестировании на изображениях лиц алгоритм предсказал, что большинство белых лиц являются нормальными, в то время как многие черные лица попадают в группу, отнесенную к категории аномалий. Также есть заметная разница с полом. По прогнозам, больше женщин будет в нормальной группе, а больше мужчин - с аномалиями. (любезно предоставлено)

    Предвзятость отражает несправедливый мир

    Есть множество примеров технологий, которые не работают точно для людей с более темной кожей. В феврале FDA предупредило, что пульсоксиметры, используемые для контроля уровня насыщения кислородом у пациентов с COVID-19, могут быть менее точными для людей с более темной пигментацией кожи. Исследование, проведенное Технологическим институтом Джорджии, также показало, что беспилотные автомобили чаще сбивают цветных людей, потому что системы обнаружения объектов, которые они используют для распознавания пешеходов, не работают с людьми с более темной кожей.

    "Предвзятость отражает несправедливость мира", – говорит профессор компьютерных наук Патрис Кёль. Он преподает курс этики, обязательный для всех студентов Калифорнийского университета в Дэвисе, специализирующихся в области компьютерных наук и инженерии. Часть курса посвящена предвзятости в области искусственного интеллекта и других технологий.

    «Я хочу, чтобы учащиеся знали о проблеме и понимали, почему в наших решениях есть предубеждения», — сказал Кёль. «Например, если все ваши коллеги — белые мужчины, вы вряд ли будете обсуждать проблемы, связанные с машинным распознаванием темной кожи».

    «Опасность предвзятости связана с тем, что мы рассматриваем ИИ как систему, которая может принимать решения». — Патрис Кёль, профессор компьютерных наук Калифорнийского университета в Дэвисе

    Это отсутствие разнообразия в рабочей силе является постоянной проблемой в технологическом секторе. Согласно отчету Mozilla о состоянии Интернета за 2020 год, почти 80 % сотрудников Apple, Facebook, Google и Microsoft — мужчины, и с 2014 года доля чернокожих, латиноамериканцев и носителей языка практически не выросла.

    "Опасность предвзятости связана с тем, что мы рассматриваем ИИ как систему, которая может принимать решения", – сказал Кёль. «Вы хотите, чтобы это решение было максимально обоснованным. Если предоставленная вами информация неверна или предвзята, решение будет неверным».

    Что касается разработки технологий будущего, Кёль надеется, что сегодняшние студенты будут работать лучше. «Проблема, связанная с ИИ, была создана в последние 20 лет отчасти инженерами-программистами. Если эти инженеры смогли создать такую ​​большую проблему, я надеюсь, что следующее поколение инженеров потратит столько же времени на изучение проблем и поиск решений», — сказал он.

    Распутывая запутанные корни предубеждений

    Несмотря на растущее осознание предвзятости искусственного интеллекта, простого решения не существует. Предвзятость может быть введена несколькими способами, помимо инженера-программиста, разрабатывающего новую технологию. Алгоритмы искусственного интеллекта и машинного обучения полагаются на данные, которые не всегда репрезентативны для меньшинств и женщин. Это потому, что решения о том, какие данные собирать и как их использовать, по-прежнему принимаются людьми.

    "Мы не можем бороться с предвзятостью и несправедливостью в ИИ, не решая проблему несправедливости всей системы передачи данных", – сказал Томас Стромер, директор Центра исследований данных и искусственного интеллекта Калифорнийского университета в Дэвисе, или CeDAR.

    CeDAR — это центр исследовательской деятельности, направленной на использование ИИ на благо общества: от улучшения здравоохранения до точного земледелия и борьбы с изменением климата. По словам Стромера, борьба с предубеждениями и отстаивание конфиденциальности являются естественной частью этой миссии.

    «Такие вещи, как расовое профилирование, существовали до появления этих инструментов. ИИ лишь усиливает существующую предвзятость", — Томас Стромер, директор CeDAR

    «Такие вещи, как расовое профилирование, существовали до появления этих инструментов. ИИ просто усиливает существующую предвзятость. Если вы подадите необъективный набор данных в алгоритм, результатом будет необъективный алгоритм».

    Поскольку новые технологии часто внедряются в больших масштабах, заметил Стромер, предубеждения могут быстро стать широко распространенными, и их не всегда легко обнаружить. Чтобы определить наличие предвзятости в наборе данных или алгоритме, вам необходим доступ к данным и алгоритму.

    Распознавание лиц, видеоаналитика, обнаружение аномалий и другие виды сопоставления с образцом используются в правоохранительных органах — часто вне поля зрения общественности.

    ИИ в тени

    Элизабет Джо, профессор юридического факультета Калифорнийского университета в Дэвисе, говорит, что скрытая природа ИИ вызывает серьезную озабоченность.

    "Если в правоохранительных органах есть проблемы, людям становится все труднее их увидеть", – сказал Джо, который много писал о технологиях, полицейской деятельности и предвзятости. «Большинство людей понимают полезность огнестрельного оружия и значка. Если кто-то подвергается чрезмерной силе со стороны полиции, мы интуитивно это понимаем. С технологиями мы можем даже не признать, что проблема существует. Вы никогда не узнаете, если не станете целью этого взаимодействия».

    По этой причине, по ее словам, решающее значение имеет подотчетность. Она указывает на рост числа экспериментов с инструментами ИИ, проводимых полицейскими управлениями в городах по всей стране, и все это без учета долгосрочных последствий.

    "Нам нужно понимать, что эти инструменты могут быстро выйти из-под контроля или могут быть использованы непредвиденным образом и иметь вредные для общества последствия или несоизмеримые последствия", – сказал Джо. «Некоторая предвзятость всегда существовала в полиции. Скрытые технологии могут значительно усугубить проблему».

    Джон добавил, что полицейским управлениям и другим организациям еще не поздно сделать шаг назад и задать самые фундаментальные вопросы об использовании ИИ: должны ли мы вообще использовать эти инструменты?

    Использование возможностей ИИ во благо

    "Образование, обучение и поощрение разнообразия являются ключевыми факторами в борьбе с тем, как технологии увековечивают предвзятость, – – говорит Памела Рейнольдс, заместитель директора лаборатории данных и информатики Калифорнийского университета в Дэвисе. «Подобно тому, как ИИ способствует решению этих постоянных социальных проблем, он также может способствовать выявлению предубеждений и поиску решений».

    В этом отношении DataLab подает пример. Он поддерживает разнообразную программу преподавателей и аффилированных лиц, а также проводит мероприятия для женщин и лиц, недостаточно представленных в науке о данных.

    ЧТО ОБЩЕГО У ТЕХНОЛОГИИ СВИДАНИЙ И БОЛЕЗНИ АЛЦГЕЙМЕРА?

    Невропатолог из Калифорнийского университета в Дэвисе Бриттани Даггер вместе с исследователями из Калифорнийского университета в Сан-Франциско нашли способ научить компьютер точно определять один из признаков болезни Альцгеймера в тканях головного мозга человека, предоставив доказательство концепции машинного обучения. подход, способный автоматизировать ключевой компонент исследования болезни Альцгеймера. Читайте исследование и смотрите видео. ​

    "В науке о данных мы работаем с большими объемами информации, и они неизбежно отражают структурное неравенство нашего общества", – – говорит Рейнольдс, эколог-экспериментатор по образованию. "Без критического и комплексного подхода к данным и инструментам искусственного интеллекта, которые он обеспечивает, мы рискуем повторить несправедливость прошлого".

    DataLab помогает студентам и исследователям понять сложность больших систем данных и то, как работают технологии и вычислительные методы. Это добавило ценности ряду исследовательских проектов, в том числе трехлетнему исследованию по улучшению ранней диагностики болезни Альцгеймера у женщин и цветных сообществ, проводимому Бриттани Даггер, доцентом кафедры патологии и лабораторной медицины, и ее командой в Калифорнийском университете в Дэвисе. Здоровье.

    Доверие потребует прозрачности

    Тенденция к более широкому использованию искусственного интеллекта не ослабевает — будь то улучшение здравоохранения, рекомендация фильмов через службу потоковой передачи, ведение наблюдения или множество других целей.

    По этой причине прозрачность ИИ важна как никогда. По словам Дэвидсона, для этого потребуются справедливость, объяснимость и конфиденциальность.

    "Поскольку машины заменяют людей и принимают больше решений, мы должны иметь возможность доверять им", – сказал он. «Это включает в себя понимание того, как именно машинные алгоритмы обрабатывают информацию и как принимаются решения».

    Рабочая группа по феминизму данных Калифорнийского университета в Дэвисе DataLab изучает такие темы, как феминистская критика науки о данных, причины и последствия отсутствия разнообразия в науках о данных, то, как неправильное применение науки о данных увековечивает социальное неравенство, а также критическая и совместная наука о данных. (Андре Ибарра/UC Davis)

    Похожие статьи

    Технология распознавания лиц и расовая предвзятость

    Профессор права Калифорнийского университета в Дэвисе был участником онлайн-вебинара «Технология распознавания лиц и ее алгоритмическая расовая предвзятость». Веб-семинар, представленный в сентябре 2020 года Юридической школой Миннесотского университета, посвящен некоторым последствиям более широкого использования видео и технологий искусственного интеллекта в правоохранительных органах и системе правосудия, а также его связи с усилиями по устранению предвзятости.

    Медиа-ресурсы

    Кэтрин Кенни, отдел новостей и СМИ Калифорнийского университета в Дэвисе, 530-752-3140, cmkenny@ucdavis.edu

    Доверие руководства является обязательным условием для менеджеров и других руководителей. Работа в рабочей среде с высоким уровнем доверия повышает вовлеченность сотрудников, их благополучие и психологическую безопасность. И все эти области влияют на текучесть кадров. Поэтому, если вы хотите увеличить удержание сотрудников , начните с укрепления доверия сотрудников.

    Но завоевать доверие лидера может быть постепенным и сложным процессом.

    Хорошая новость заключается в том, что вы можете постоянно завоевывать доверие сотрудников и зарекомендовать себя как заслуживающий доверия руководитель . Мы более подробно рассмотрим важность укрепления доверия и обсудим некоторые способы его укрепления.Но сначала давайте посмотрим, что такое доверие руководства и почему оно так важно.

    Что такое доверие к руководству?

    Доверие — это валюта, заработанная в любых отношениях. Это создает человеческую связь и обеспечивает основу для стабильности, смысла и роста.

    Доверие на рабочем месте к руководству

    Доверие на рабочем месте – это общее убеждение в том, что лидеры преданны делу, сострадательны и способны. Когда сотрудники доверяют лидерству, они ожидают, что руководство сделает то, что лучше для всех участников. Также ожидается, что руководители будут откровенны с сотрудниками, когда у них связаны руки.

    В свою очередь, члены команды, которые доверяют своим лидерам, как правило, более открыты, лояльны и часто больше доверяют организации в целом.

    Характеристики, укрепляющие доверие к руководству

    Эффективное лидерство требует целого ряда навыков и способностей. А доверие — это клей, который связывает их всех.

    Эти навыки сейчас еще более важны для руководителей.

    Пандемия положила начало новой эре постоянных изменений. А перемены часто бросают вызов доверию. Чтобы справиться с этой новой нормой, выдающемуся лидеру требуется сочетание лидерских качеств и стилей.

    Лидеры, пользующиеся наибольшим доверием, теперь должны вдохновлять, воплощать и поощрять следующее:

    • Величие
    • Изобретательность
    • Командная работа
    • Ловкость
    • Устойчивость

    Почему доверие имеет значение для руководства?

    Недавние исследования подтверждают, что построение и поддержание рабочих отношений в организации с высоким уровнем доверия приносит пользу всем сторонам — сотрудникам, руководству и бизнесу. По словам Пола Дж. Зака, автора книги «Фактор доверия: наука создания высокоэффективных компаний», люди, работающие в компаниях с высоким уровнем доверия, сообщают следующее:

    • Удовлетворенность карьерой повысилась на 60%.
    • Увеличение производительности на 50%.
    • Сплоченность команды увеличилась на 66 %.

    Однако когда доверие сомнительно или отсутствует, страдают все эти области. Производительность работы снижается, вовлеченность сотрудников снижается, а текучесть кадров высока.

    Поэтому доверие к руководству имеет решающее значение для здорового рабочего места и стабильного общего успеха.

    Как лидеры укрепляют доверие сотрудников?

    Мы установили важность доверия на руководящих должностях. Но как лидер воплощает или поощряет доверие?

    Не существует простого универсального ответа. Но есть несколько важных лидерских навыков и действий, которые помогают укрепить доверие на рабочем месте.

    Первые два лидерских навыка, которые необходимо освоить, – это самосознание и сочувствие . Великие лидеры понимают себя и своих сотрудников как людей. Этот гуманистический подход к лидерству оставляет эго за дверью, оставляя место для открытого общения и прозрачности.

    Это расширенное самосознание также позволяет доверенным лидерам оценивать свои решения и устранять предубеждения.

    Кроме того, эти лидеры используют возможности обучения, которые развивают эти межличностные навыки. Они понимают, насколько важны они для укрепления доверия сотрудников.

    Теперь давайте подробнее рассмотрим, как эти два основных навыка связаны с другими лидерскими навыками, необходимыми для построения доверия.

    Существует несколько факторов, необходимых для развития, завоевания и поддержания доверия. Это верно как для индивидуального доверия лидера, так и для организационного доверия. Большинство источников сходятся во мнении, что влияющие факторы включают:

    • Компетентность или возможности
    • Справедливость
    • Последовательность
    • Последние действия

    Каждый элемент может оцениваться отдельно или даже по ситуации. Однако надежно сбалансированная комбинация действительно способствует доверию.

    Поведенческие элементы доверия

    Недавнее исследование Harvard Business Review выявило три поведенческих элемента доверия. В нем указано, что основными способствующими факторами являются:

    1. Способность создавать и поддерживать позитивные, взаимные отношения в команде.
    2. Демонстрация опыта и суждений
    3. Соответствие слова и дела

    Еще одно исследование показывает, что формирование лидерских качеств и доверия – это трехсторонний подход. Он состоит из доверия к способностям, доверия к честности и доверия к доброжелательности в равных пропорциях.

    Если мы посмотрим на характеристики, необходимые для создания этих трех типов доверия, мы снова увидим смешанные критерии. Компетентность, честность и построение отношений обеспечивают повторяющиеся показатели по перечисленным ниже факторам.

    • Компетентность
    • Честность
    • Прозрачность
    • Четкое общение
    • Построение отношений

    Как определить, какие факторы определяют лояльность организации и доверие руководства?

    Давайте посмотрим, что сделала одна организация.

    Сегодня Google неизменно считается одним из лучших мест для работы. И это было не случайно.

    Несколько лет назад в Google поняли, что нанять талантливых людей и позволить им выполнять свою работу может быть недостаточно.

    До этого момента у них были только отдельные данные о том, что талантливые люди покидают организацию. У них было подозрение, что быть частью Google недостаточно для каждого сотрудника.

    Назначенная команда проанализировала большие объемы данных из обзоров эффективности и опросов вовлеченности сотрудников. Их цель состояла в том, чтобы лучше понять, что люди больше всего ценят и ожидают от руководства и организации.

    Компания Google использовала собственные алгоритмы для получения обоснованных выводов из этих опросов. Теперь у них были данные, подтверждающие их догадку, и они были правы — организация страдала от недоверия к руководству.

    Компания Google признала, что понимание этой информации и реагирование на нее положительно повлияют на вовлеченность и удержание пользователей.

    Было восемь основных инициатив, на которых организация должна сосредоточиться, чтобы повысить уровень доверия:

    В результате компания Google ввела формальные лидерские качества для воплощения восьми моделей поведения. Они также запустили масштабный план развития лидерства для развития своей организационной культуры.

    Компания Google осознала, что доверие руководства — это заработанная валюта. Они также узнали, что укрепление доверия к руководству является кульминацией нескольких способствующих факторов. Кроме того, компания решила расставить приоритеты и принять меры для повышения эффективности в этих областях. Они признают общую ценность и важность доверия на рабочем месте.

    Как завоевать доверие лидера

    Давайте рассмотрим четыре стратегии, которые можно использовать для укрепления доверия руководства на рабочем месте.

    1. Относитесь к людям справедливо и объясняйте причины изменений

    Общение необходимо для любого бизнеса. В идеале он должен быть двусторонним, аутентичным и последовательным. Надежный лидер своими словами вдохновляет, информирует и придает силы.

    Кроме того, сообщения должны быть интересными и целенаправленными, чтобы все получатели понимали их ожидания.

    Когда вы сообщаете об изменениях или неопределенности , открытость часто помогает избавиться от недоверия. Руководители организаций с высоким уровнем доверия объясняют соответствующее обоснование бизнес-решений и директив.

    2. Вовлекайте больше людей в процесс принятия решений

    Изменения обычно становятся неудобными, когда понимание или оценка низки.

    Поэтому по возможности старайтесь вовлекать других в процесс принятия решений и изменений.

    Привлечение других помогает укрепить доверие между всей командой за счет распределения полномочий по принятию решений. Он также признает больше голосов, которые в противном случае остались бы неуслышанными.

    3. Соедините людей с общей картиной

    Людям часто нравится связывать свой вклад с общей картиной. Это помогает им понять «почему» за «что». Когда они чувствуют себя вовлеченными, их доверие, участие и приверженность естественным образом возрастают.

    Когда дело доходит до доставки, коммуникация всегда должна быть двусторонней. Надежные лидеры больше слушают, чем говорят. Хотя, конечно, слов недостаточно. Лидеры также должны моделировать путь вперед, демонстрируя поведение, которого они ожидают от других.

    4. Покажите участникам, что компания прикрывает их спину и поддерживает их

    Существует старая поговорка, приписываемая Тедди Рузвельту: "Никому нет дела до того, как много вы знаете, пока они не узнают, насколько вам не все равно". И хотя компетентность действительно влияет на доверие к руководству, эмпатия и понимание часто имеют более важное значение.

    Рассмотрите другие распространенные факторы, способствующие укреплению доверия к руководству. К ним относятся справедливость, компетентность, доведение до конца и сострадание. Когда бизнес-лидеры принимают во внимание эти факторы через справедливость и беспристрастность, они помогают всем чувствовать себя ценными, ценными и связанными.

    Начните укреплять доверие

    Доверие руководства необходимо каждому, кто занимает руководящую должность.

    Теперь вы знаете, почему это так важно. Кроме того, теперь, когда у вас есть несколько стратегий укрепления доверия руководства на рабочем месте, пришло время применить их на практике.

    Если вам сложно завоевать доверие, воспользуйтесь персонализированным коучингом BetterUp . Мы помогаем формировать лидеров, которые повышают производительность и вовлеченность команды. И мы можем помочь вам с навыками и мышлением, необходимыми для работы на пике карьеры.

    Спрашивая пользователей об их потребностях и опасениях, вы можете открыть «черный ящик» новых технологий на рабочем месте.

    26 октября 2021 г.

    Сотрудники больницы могут скептически относиться к инструментам на основе ИИ. | iStock/paitoonpati, iStock/Alpaben Rathod

    Машинное обучение может значительно повысить эффективность и качество обслуживания в больницах, решая трудно предсказуемые проблемы, такие как загруженность отделений интенсивной терапии или вероятность повторной госпитализации пациентов.

    Тем не менее, серьезным препятствием для оптимальной работы любой технологии является получение полной поддержки со стороны ее пользователей, особенно когда они заняты медицинскими работниками, которые полагаются на достоверную информацию для принятия решений, влияющих на здоровье их пациентов за доли секунды. К инструментам машинного обучения, использующим искусственный интеллект для повышения точности анализа, можно отнестись скептически.

    "Машинное обучение – это технология, которую недостаточно хорошо понимают, и поэтому ей не доверяют", – говорит Сара Сингер, профессор организационного поведения (любезно предоставленная) в Стэнфордской высшей школе бизнеса и профессор медицины в Медицинской школе Стэнфордского университета. . «Люди описывают его как черный ящик — им кажется, что они не имеют никакого отношения к тому, как он используется. У него есть возможность повысить ценность, но только если мы сможем вызвать доверие».

    Сеть здравоохранения Вестчестерского медицинского центра в пригороде Нью-Йорка нашла способ беспрепятственно внедрять инструменты машинного обучения, о чем Сингер и ее соавторы задокументировали в недавней статье в Health Care Management Review. Развернув совместный двусторонний процесс между техническими разработчиками и персоналом больницы, две больницы сети недавно создали высокоточные прогностические инструменты, которые учитывают ввод и одобрение с обеих сторон.

    "Эта работа демонстрирует улучшение дизайна инструментов машинного обучения на основе пользовательского ввода в реальных условиях, чего раньше никто не делал", – говорит Сингер.

    Поиск пользовательского ввода

    Обычно развитие технологий идет в одном направлении: разработчики создают инструмент, а пользователи должны адаптироваться к нему. Неудобный для пользователя продукт, ориентированный на разработчиков, может не интегрироваться в рабочее пространство — пользователи не используют его эффективно или просто не используют его вообще. Показывая, как Вестчестерский медицинский центр способствует двустороннему общению между инженерами-программистами и персоналом больницы, Сингер и ее коллеги предлагают подход, который можно применять в самых разных условиях.

    Команда Сингера, в которую входили Кэтрин Келлог из Школы менеджмента имени Слоана при Массачусетском технологическом институте; Ари Гальпер, аспирант Колумбийского университета; и Дебора Виола, вице-президент по управлению данными и аналитике в Вестчестерском медицинском центре, провела интервью с разработчиками, которым было поручено создать два приложения, использующих машинное обучение: инструмент Low Bed, который направлен на повышение точности и эффективности прогнозирования доступности коек в отделениях интенсивной терапии и другие единицы; и Инструмент риска повторной госпитализации, который помогает медицинскому персоналу выявлять пациентов с наибольшим риском возвращения в больницу вскоре после выписки.

    В течение года исследователи провели 37 получасовых интервью с шестью разработчиками и семью сотрудниками больниц, которые использовали новые инструменты. Они выявили подробные примеры того, как разработчики запрашивали конкретные отзывы у персонала больницы, а затем использовали эту информацию для удовлетворения потребностей и проблем пользователей.

    Машинное обучение – это технология, которая недостаточно изучена, и поэтому ей не доверяют. У него есть возможность повысить ценность, но только если мы сможем вызвать доверие.

    Например, когда стало ясно, что первая версия инструмента Low Bed Tool не может предсказать внезапный приток пациентов в отделение неотложной помощи, разработчики изменили направление и нашли новую пользовательскую базу в больнице. «Мы были в тупике — перенапряжения в отделениях неотложной помощи обычно связаны с непредвиденными чрезвычайными ситуациями или стихийными бедствиями, и мы никак не могли их предсказать», — сказал исследователям разработчик.

    Следующая версия инструмента Low Bed Tool предназначена для клиницистов, занимающихся управлением клинической помощью и управлением использованием. Сначала они не были уверены, что данные из новой версии приложения точны.«Это все еще казалось немного неправильным; Я не мог понять это. После многих лет того, что я делаю, у меня просто есть внутреннее чувство», — сообщил один из сотрудников больницы. "Поэтому разработчики вернулись и рассмотрели некоторые вещи, объяснили проблемы с данными, которые возникали между различными отделами, и мы приняли решение о том, что мы хотели, и все это проработали".

    Упражнения на доверие

    Сегодня инструмент Low Bed Tool помогает врачам управлять потоком пациентов, прогнозируя вероятность наличия коек в четырех больничных отделениях. Он предоставляет трех- и пятидневный прогноз вместимости и занятости и ежедневно обновляется, чтобы скорректировать изменения в тенденциях пациентов, сезонности и других закономерностях. С тех пор, как он был принят, пользователи сообщали о сокращении времени ожидания и повышении пропускной способности. По словам одного руководителя больницы, педиатрические отделения, использующие этот инструмент, «никогда не испытывают проблем [с пропускной способностью], за исключением сезона гриппа».

    Чтобы довести инструмент до такого уровня, разработчикам пришлось не только доработать свой первоначальный продукт, но и изменить способ общения с нетехническими людьми. «В любой группе, где есть люди с очень разным профессиональным опытом, одной стороне может быть трудно услышать от кого-то, сидящего за столом, о том, что они сделали неправильно или что они не учли», — говорит Сингер. «Доверие пришло со временем. Если разработчик слушал, что говорил пользователь, пользователь доверял тому, что разработчики давали ему взамен. Это было примечательно тем, что пользователи могли сказать: «Мне нужно это обдумать».

    Эта система сотрудничества может быть распространена на другие больницы, отмечает Сингер. Например, с помощью машинного обучения можно определить вместимость хирургического кабинета или предсказать, какие пациенты могут подвергаться наибольшему риску госпитализации из-за COVID-19.

    Кроме того, существует множество деловых и общественных сфер, в которых было бы полезно разработать и внедрить технологию машинного обучения. «Важно понимать, что технологии не статичны, — говорит Сингер. «Для любого, кто разрабатывает новую технологию, крайне важен пользовательский ввод, так как и разработчики, и пользователи должны понимать преимущества совместной работы».

    Читайте также: