Customization BiasThe study design

Customization Bias
The study design is a 2x2 design with a between-subjects
factor (customization) and a within-subjects factor (recommendation
quality). To test for the effect of customization on
agreement with the DSS, I fit multilevel regression models
with the experimental factors as fixed effects and a random
effect for each subject to account for the repeated measurements
in the design. For assessing the binary measure of winner
agreement, I used multilevel logistic regression. These
models are described in Table 1. The intercept of these models
can be interpreted as the estimated degree of agreement
when subjects do not customize the DSS and receive a good
recommendation. The coefficients represent differences from
this baseline group, and the table shows the standard error
below each estimate in parentheses. Figure 2 shows the models’
estimated degree of agreement for all four combinations
of the factors. This figure converts the log odds estimated by
model 1 into the probability of a subject agreeing with the
DSS.
Model 1 shows a statistically significant effect of customization
on the binary measurement of agreement. Customization
users were overall more likely to predict the same team to
win as the DSS. Subjects were less discerning of poor recommendations
when they had customized the DSS, as they were
more likely to agree with the DSS when receiving a poor recommendation
than those who did not customize. Conversely,
customization users were better at discerning good recommendations
as well, being more likely to follow good recommendations
than the control group.
Model 4 tests these effects in terms of score agreement.
Again, customization users were biased towards agreeing
with the recommendation. On average, customization users
predicted scores that were 0.9 runs closer to the DSS recommendation
than non-customization users. When the recommended
scores were accurate, subjects predicted 0.96 runs
closer on average than when the recommendation was inaccurate.
Models 2 and 3 in Table 1 add the difficulty of the game to the
models to see whether the difficulty of the game would influence
how subjects interpreted recommendations and whether
this would be different between the two conditions. Since
subjects had a higher probability of receiving a poor recommendation
for difficulty levels 1 and 4 than for levels 2 and

ผลลัพธ์ (ไทย) 1:

ความโน้มเอียงเองการออกแบบการศึกษาเป็นแบบ 2 x 2 กับการระหว่างเรื่องปัจจัย (กำหนดเอง) และปัจจัยภายในเรื่อง (คำแนะนำคุณภาพ) การทดสอบเกี่ยวกับผลของการปรับแต่งข้อตกลงกับ DSS ฉันพอดีแบบจำลองถดถอยหลายระดับด้วยปัจจัยทดลองเป็นผลถาวรและการสุ่มผลสำหรับแต่ละอาจมีบัญชีสำหรับการประเมินซ้ำในการออกแบบ สำหรับการประเมินวัดไบนารีของผู้ชนะตกลง ฉันใช้การถดถอยโลจิสติกหลายระดับ เหล่านี้รูปแบบไว้ในตารางที่ 1 จุดตัดแกนของโมเดลเหล่านี้สามารถตีความเป็นข้อตกลงระดับประเมินเมื่อวิชาไม่กำหนด DSS และรับดีคำแนะนำ ค่าสัมประสิทธิ์แสดงถึงความแตกต่างจากกลุ่มหลักนี้ และตารางแสดงข้อผิดพลาดมาตรฐานต่ำกว่าประเมินแต่ละในวงเล็บ รูปที่ 2 แสดงแบบจำลองข้อตกลงสำหรับชุดทั้งหมด 4 ระดับโดยประมาณปัจจัยการ รูปนี้แปลงราคาล็อกโดยประมาณรุ่น 1 เป็นความน่าเป็นเรื่องที่เห็นด้วยDSSรูปที่ 1 แสดงผลอย่างมีนัยสำคัญทางสถิติกำหนดเองในการประเมินฐานของข้อตกลง กำหนดเองผู้ใช้ได้โดยรวมมักทายทีมเดียวกันชนะเป็น DSS เรื่องมีน้อยฉลาดคำแนะนำที่ดีเมื่อพวกเขาได้กำหนด DSS เป็นพวกเขาแนวโน้มที่จะเห็นด้วยกับ DSS เมื่อได้รับคำแนะนำที่ดีมากกว่าผู้ที่ไม่ได้กำหนดเอง ในทางกลับกันผู้ใช้กำหนดเองถูกดีที่ฉลาดคำแนะนำที่ดีดี มีแนวโน้มที่จะทำตามคำแนะนำที่ดีกว่ากลุ่มควบคุมรุ่น 4 ทดสอบลักษณะพิเศษเหล่านี้ในข้อตกลงการให้คะแนนอีกครั้ง ผู้ใช้กำหนดเองที่ลำเอียงต่อเงื่อนไขมีคำแนะนำ ในผู้ใช้กำหนดเองเฉลี่ยคะแนนคาดการณ์ที่ 0.9 ทำงานใกล้ชิดกับคำแนะนำเกี่ยวกับ DSSมากกว่าผู้ใช้กำหนดเองไม่ เมื่อการแนะนำคะแนนถูกต้อง วิชาทำนายทำ 0.96ใกล้ชิด โดยเฉลี่ยกว่าเมื่อการแนะนำถูกไม่ถูกต้องรุ่น 2 และ 3 ในตารางที่ 1 เพิ่มความยากของเกมแบบจำลองเพื่อดูว่า ความยากของเกมจะมีอิทธิพลต่อวิธีเรื่องแปลคำแนะนำ และว่านี้จะแตกต่างกันระหว่างสองเงื่อนไข ตั้งแต่เรื่องมีความน่าเป็นสูงรับคำแนะนำที่ดีสำหรับระดับความยาก 1 และ 4 กว่าในระดับ 2 และ

ผลลัพธ์ (ไทย) 3:

การปรับแต่งค่า
การศึกษาการออกแบบคือการออกแบบที่ 2 กับระหว่างวิชา
ปัจจัย ( Customization ) และภายใน ( จำนวนปัจจัยคุณภาพคำแนะนำ
) เพื่อทดสอบผลของการปรับแต่งบน
ข้อตกลงกับใจผมพอดีหลายแบบถดถอย
ด้วยปัจจัยการทดลองเป็นแก้ไขผลกระทบและสุ่มผลสำหรับแต่ละวิชาบัญชีสําหรับการวัดซ้ํา
ในการออกแบบสำหรับการประเมินวัดไบนารีของข้อตกลงของผู้ชนะ
ผมใช้ถดถอยโลจิสติกพหุระดับ . โมเดลเหล่านี้
อธิบายไว้ในตารางที่ 1 การตัดของโมเดลเหล่านี้
สามารถตีความเป็นประมาณระดับของข้อตกลง
เมื่อเรื่องไม่ปรับแต่งระบบและได้รับข้อเสนอแนะที่ดี

สัมประสิทธิ์ของความแตกต่างจาก
นี้พื้นฐานของกลุ่มและตารางแสดง
ความคลาดเคลื่อนมาตรฐานด้านล่างแต่ละค่าในวงเล็บ . รูปที่ 2 แสดงรุ่น '
ประมาณระดับของข้อตกลงทั้งหมดสี่ชุด
ของปัจจัย รูปนี้แปลงเข้าสู่ระบบราคาโดยประมาณ
โมเดล 1 ในความน่าจะเป็นของเรื่อง

เห็นด้วยกับระบบสนับสนุนการตัดสินใจ แบบที่ 1 แสดงอย่างมีนัยสำคัญทางสถิติ ผลของการปรับแต่ง
บนวัดไบนารีของข้อตกลง การปรับแต่ง
ผู้ใช้ โดยภาพรวมมีแนวโน้มที่จะทำนายทีมเดียวกัน

ชนะเป็นระบบสนับสนุนการตัดสินใจ จำนวนน้อยผู้น่าสงสารแนะนำ
เมื่อพวกเขาได้ปรับแต่งระบบ , ตามที่พวกเขา
มีแนวโน้มที่จะเห็นด้วยกับระบบสนับสนุนการตัดสินใจเมื่อได้รับคำแนะนำ
น่าสงสารกว่าผู้ที่ไม่ได้ปรับแต่ง ในทางกลับกัน ผู้ใช้ปรับแต่งได้ดีกว่าที่ทุกคน

ดีแนะนำด้วยการมีแนวโน้มที่จะปฏิบัติตามคำแนะนำมากกว่ากลุ่มควบคุมดี
.
รุ่น 4 การทดสอบผลในแง่ของข้อตกลงคะแนน .
อีก ผู้ใช้เองก็เอนเอียงไปทางเห็นด้วย
กับข้อเสนอแนะ โดยเฉลี่ยผู้ใช้ปรับแต่ง
คาดการณ์คะแนนที่เท่ากับ 0.9 วิ่งเข้าใกล้ DSS คำแนะนำ
กว่าผู้ใช้ปรับแต่งไม่ เมื่อแนะนำ
คะแนนที่ถูกต้องวิชาทำนาย 0.96 วิ่ง
ใกล้เฉลี่ยมากกว่าเมื่อคำแนะนำที่ไม่ถูกต้อง .
โมเดล 2 และ 3 ตารางที่ 1 เพิ่มความยากของเกมกับ
รูปแบบเพื่อดูว่า ความยากของเกมจะมีอิทธิพลต่อวิธีการตีความและแนะนำว่าคน

นี้จะแตกต่างกันระหว่างสองเงื่อนไข ตั้งแต่
และมีความเป็นไปได้สูงที่ได้รับ
แนะนำที่ยากจนยากระดับ 1 และระดับ 2 และ 4 กว่า