Trust in Artificial Intelligence: an empirical study revealing gender equivalence

Artificial Intelligence (AI) is a fast-evolving technology that is rapidly permeating many aspects of everyday life. Consequently, its widespread use draws attention to the necessity of calibrated trust in AI systems. Scientific literature reports a main trend according to which men tend to trust such technology more than women. However, contrasting results exist, and the interplay between gender, psychological mechanisms, task criticality and user capabilities is often overlooked. To address these knowledge gaps, this thesis examines how gender differences influence trust in AI depending on whether its impact is individual or societal. To this purpose, an online between-subjects factorial experiment was conducted. Specifically, the experiment relied on video vignettes depicting AI innovations, comparing an individual-impact domain (Medical AI diagnostic support) with a societal-impact domain (Autonomous Vehicles). Trust was assessed using a validated scale, alongside measures of risk propensity, social concern and AI literacy. The empirical findings challenge existing literature on AI, revealing no significant gender differences in trust. Although men showed significantly higher risk propensity than women, this difference was unrelated to trust in AI. Similarly, social concern showed neither gender differences nor predictive power. Application domain also had no significant effect, but suggested some marginal trends to investigate. Further analyses identify AI literacy, particularly practical usage literacy, as the key predictor of trust in AI. As men and women showed equivalent AI literacy, gender disparities in trust disappeared, suggesting that trust is shaped by operational competence rather than demographic traits and highlighting the value of hands-on training over demographic user segmentation.

L'Intelligenza Artificiale (IA) è una tecnologia in rapida evoluzione che sta permeando velocemente molti aspetti della vita quotidiana. Di conseguenza, la sua diffusione solleva la questione della necessità di una fiducia calibrata. La letteratura scientifica riporta un trend prevalente secondo cui gli uomini tendono a fidarsi maggiormente di tale tecnologia rispetto alle donne. Tuttavia, esistono risultati contrastanti e spesso viene trascurata l'interazione tra genere, meccanismi psicologici, criticità del compito e competenze dell'utente. Per colmare queste lacune conoscitive, la presente tesi esamina in che modo le differenze di genere influenzino la fiducia nell'IA a seconda che il suo impatto sia individuale o sociale. A tal fine, è stato condotto un esperimento fattoriale online di tipo between-subjects. Nello specifico, l'esperimento si è avvalso di brevi video che mostrassero innovazioni basate sull'IA, confrontando un ambito a impatto individuale (supporto diagnostico medico tramite IA) con uno a impatto sociale (veicoli a guida autonoma). La fiducia è stata misurata mediante una scala validata, affiancata da rilevazioni di propensione al rischio, preoccupazione sociale e livello di competenza in IA (AI literacy). I risultati empirici sfidano la letteratura esistente sull'IA, rivelando l'assenza di differenze di genere significative nella fiducia. Inoltre, nonostante gli uomini abbiano mostrato una propensione al rischio significativamente maggiore rispetto alle donne, tale disparità non è correlata alla fiducia nell'IA. In aggiunta, la preoccupazione sociale non ha mostrato né differenze di genere né potere predittivo. Anche il dominio applicativo non ha prodotto effetti significativi, suggerendo tuttavia alcuni trend marginali da approfondire. Ulteriori analisi identificano la competenza nell’IA, in particolare la componente pratica, come principale predittore della fiducia. Infatti, a livelli equivalenti di competenza, le differenze di genere nella fiducia scompaiono. Questo risultato suggerisce che la fiducia nell’IA dipenda più dalle capacità operative che da caratteristiche demografiche e sottolinea l’importanza della formazione hands-on degli utenti.