AI-advies maakt "ik weet het niet" bijna onmogelijk

Wanneer de beschikbaarheid van een vloeiend antwoord de drempel verlaagt om überhaupt te antwoorden

Executive thesis

Het paper "AI advice suppresses people's willingness to say 'I don't know', even when the advice is wrong and accuracy is incentivized" (Marcoccia, Quattrociocchi & Capraro, 2026) levert een van de meest directe empirische demonstraties van een risico dat in de AI-governance-literatuur vaak als abstracte zorg wordt benoemd: AI-advies verandert niet alleen wát mensen antwoorden, maar ook of ze überhaupt besluiten te antwoorden.

In vijf experimenten (N = 3.132; vier preregistreerd, één directe replicatie) beantwoordden deelnemers zes moeilijke filmvragen en konden altijd weigeren te antwoorden. De vragen waren zodanig gekozen dat het gebruikte taalmodel (Step 3.5 Flash) vrijwel altijd fout antwoordde, waardoor AI-gebruik van AI-nauwkeurigheid werd gescheiden. De resultaten zijn consistent en scherp:

• Louter de beschikbaarheid van AI-advies elimineerde bijna de bereidheid om te oordelen op te schorten (suspension daalde van 0.36 naar 0.06 in Study 1a; van 0.44 naar 0.03 in Study 1b).
• Deelnemers antwoordden vaker maar waren correcter een derde zo vaak (gepoolde correctheid 27.5% vs. 9.2% zonder incentives).
• Hun vertrouwen verdubbelde bijna (gemiddelde confidence 29.6 vs. 75.9 op een 0-100 schaal).
• Monetaire incentives corrigeerden dit gedeeltelijk maar niet volledig: ze verminderden AI-gebruik en verbeterden accuraatheid, maar herstelden de oordeelsopschorting niet naar het niveau zonder AI.

De centrale bevinding is dat AI-advies het metacognitieve criterium verandert waarmee mensen beslissen of ze genoeg weten om te antwoorden. Dit is geen kwestie van "mensen zijn lui" of "mensen vertrouwen AI te veel" - het is een verschuiving in de drempel waarop mensen hun eigen onzekerheid erkennen.

Waarom dit paper relevant is

De AI-governance-discussie richt zich grotendeels op de kwaliteit van AI-output: hallucinaties, bias, veiligheid. Dit paper verschuift de focus naar een minder zichtbare maar fundamentelere laag: de menselijke kant van de interactie. Het toont dat AI-advies niet alleen de kwaliteit van antwoorden beïnvloedt, maar de metacognitieve infrastructuur waarmee mensen beslissen of ze überhaupt een oordeel vellen.

Dit is relevant voor elke organisatie die AI-assistenten inzet in besluitvorming, van publieke sector tot zorg en financiën. Wanneer een medewerker een AI-advies ziet, verandert niet alleen de kans dat hij het advies volgt - de kans dat hij zijn eigen onzekerheid erkent en opschort, daalt dramatisch. En dat geldt zelfs wanneer het advies aantoonbaar fout is.

Het probleem dat de auteurs proberen op te lossen

De onderzoeksvraag is precies: verandert de loutere beschikbaarheid van AI-advies de bereidheid van mensen om onder onzekerheid te oordelen op te schorten?

Dit is een onderscheid dat in de bestaande literatuur ontbreekt. Shaw en Nave's (2026) concept van "cognitive surrender" meet of mensen correct of incorrect eindigen na AI-consultatie, maar meet niet of ze überhaupt weigeren te antwoorden. Het paper vult dit gat door "judgment suspension" als primaire uitkomst te meten.

De auteurs verwijderen bovendien een centrale confound door design: AI-advies volgen is meestal rationeel wanneer het advies goed is. Door vragen te kiezen waarop het model vrijwel altijd hallucineert, wordt elke reductie in oordeelsopschorting niet verklaarbaar als "slimme delegatie aan een betrouwbaar hulpmiddel", maar als een neiging om te defereren aan AI-output.

Hoe het mechanisme werkt

Het paper test een specifiek mechanisme: de beschikbaarheid van een vloeiend antwoord verlaagt de drempel waarop mensen beslissen dat ze genoeg weten om te antwoorden.

De auteurs interpreteren dit via het concept "epistemia" (Loru et al., 2025; Quattrociocchi et al., 2025): de neiging om AI-output te accepteren op basis van oppervlakkige plausibiliteit en syntactische coherentie, in plaats van verificatie. Mensen kunnen onzekerheid monitoren en een antwoord onthouden wanneer dat gerechtvaardigd is; een LLM moet altijd output produceren en schort zelf geen oordeel op onder onwetendheid. Wanneer gebruikers oordeel delegeren aan zo'n systeem, erven ze het gebrek aan opschorting.

De auteurs onderscheiden drie mogelijke mechanismen die ze niet kunnen uit elkaar trekken:

1. Trust: gebruikers vertrouwen de AI en accepteren het antwoord.
2. Kostenverlaging: een beschikbaar antwoord verlaagt de waargenomen kosten van committeren.
3. Fluency short-circuit: de vloeiendheid van het antwoord omzeilt het metacognitieve signaal dat anders een pauze zou triggeren.

De data ondersteunen het algemene patroon (beschikbaarheid verlaagt opschorting) maar discrimineren niet tussen deze drie mechanismen. Dit is een expliciete beperking die de auteurs erkennen.

Wat de experimenten daadwerkelijk aantonen

Study 1a (N = 314)

Deelnemers in de baseline-conditie schortten substantieel vaker hun oordeel op dan deelnemers die AI-advies konden zoeken (0.36 vs. 0.06; t = 8.295, p kleiner dan .001). Dit is een groot effect, en het ontstaat vóór enige monetaire incentive of ongevraagd advies.

Study 1b (N = 310)

Een directe replicatie met vooraf gegenereerde AI-antwoorden (om tool-falen uit te sluiten) bevestigde het patroon (0.44 vs. 0.03; t = 11.772, p kleiner dan .001). De replicatie sluit transiënte AI-systeemfalen uit als verklaring.

Study 2 (N = 812)

Een 2 (AI: aanwezig/afwezig) × 2 (stakes: aanwezig/afwezig) design. AI-advies elimineerde oordeelsopschorting zowel zonder stakes (0.17 vs. 0.01) als met stakes (0.21 vs. 0.02). Monetaire stakes verhoogden opschorting niet significant (p = .253 zonder AI; p = .700 met AI). De vooraf geregistreerde AI × stakes interactie was niet significant (p = .312).

Confidence-analyse: AI-advies verdubbelde bijna het gerapporteerde vertrouwen (29.6 vs. 75.9 zonder stakes; 37.7 vs. 73.5 met stakes). Stakes verhoogden confidence alleen zonder AI (29.6 vs. 37.7; p = .011), niet met AI (75.9 vs. 73.5; p = .274).

Correctheid: stakes verhoogden correctheid zowel zonder AI (0.28 vs. 0.33; p = .005) als met AI (0.10 vs. 0.17; p kleiner dan .001). De interactie was niet significant (p = .576).

Study 3 (N = 843)

Een conceptuele replicatie van Study 2 met meer saliente incentives (herinnering vóór elke vraag) en zonder confidence-elicitation. AI-advies reduceerde opschorting opnieuw dramatisch (0.32 vs. 0.02 zonder stakes; 0.41 vs. 0.08 met stakes). Stakes verhoogden opschorting nu significant (p = .022 zonder AI; p kleiner dan .001 met AI), maar de AI × stakes interactie bleef niet significant (p = .506). Correctheid: stakes verbeterden correctheid alleen met AI (0.11 vs. 0.16; p = .002), niet zonder (0.28 vs. 0.27; p = .703).

Study 4 (N = 853)

Verwijderde de controle van deelnemers over of ze AI-advies ontvingen (automatisch weergegeven). Het patroon hield stand: AI-advies reduceerde opschorting (0.35 vs. 0.01 zonder stakes; 0.39 vs. 0.07 met stakes), interactie niet significant (p = .784). Correctheid: stakes verbeterden correctheid alleen met AI (0.07 vs. 0.14; p kleiner dan .001), niet zonder (0.27 vs. 0.27; p = .991).

Gepoolde bevindingen

Zonder incentives: deelnemers antwoordden meer vragen maar waren correcter een derde zo vaak (27.5% vs. 9.2%), terwijl hun vertrouwen ongeveer 2.5 keer zo hoog was (29.6 vs. 75.9). AI-advies maakte mensen zekerder en minder accuraat.

Wat de resultaten niet aantonen

De auteurs zijn methodologisch zorgvuldig, maar de resultaten hebben duidelijke grenzen:

1. Eén stimulusklasse: alle studies gebruikten fijne visuele details in films, gekozen omdat ze hallucinaties induceren. De auteurs beargumenteren dat het mechanisme (beschikbaarheid en fluency van een antwoord) domein-onafhankelijk is, maar dit is een inferentie, geen meting. De generaliseerbaarheid naar domeinen waar AI-advies meestal correct is, is expliciet ongetest.

2. Geen verificatiegedrag gemeten: het design registreerde niet of deelnemers die AI overruleden andere bronnen raadpleegden (internet, ander model). Dit beperkt conclusies over de strategieën achter succesvolle overrides.

3. Bescheiden incentives: de monetaire stakes ($0.10 per correct antwoord) waren effectief maar bescheiden. Of grotere of reputatie-gerelateerde stakes de kloof naar baseline zouden sluiten, is onbekend.

4. Mechanisme niet gediscrimineerd: de data tonen dat beschikbaarheid opschorting verlaagt, maar discrimineren niet tussen trust, kostenverlaging en fluency short-circuit.

5. Eén model: het gebruikte model (Step 3.5 Flash) was gekozen om hallucinaties te induceren. De auteurs checkten dat andere state-of-the-art modellen (GPT-5.5, Claude 4.6 Sonnet, Gemini 3.5 Flash) ook faalden op de moeilijkste vraag, maar het effect van modelkeuze op het gedragspatroon is niet systematisch onderzocht.

De sterkste bijdrage

De sterkste bijdrage is de methodologische isolatie van het effect. Door vragen te kiezen waarop het model vrijwel altijd hallucineert, scheiden de auteurs AI-gebruik van AI-nauwkeurigheid. Elke reductie in oordeelsopschorting kan daardoor niet worden verklaard als rationele delegatie aan een betrouwbaar hulpmiddel. Dit is een elegante designkeuze die de interpretatie zuivert.

De tweede bijdrage is de meting van "judgment suspension" als primaire uitkomst, in plaats van alleen correctheid. Dit vult een expliciet gat in de literatuur: Shaw en Nave's "cognitive surrender" meet of mensen correct eindigen, niet of ze weigeren te antwoorden.

De derde bijdrage is de demonstratie dat monetaire incentives de AI-effecten niet modereren op opschorting, maar wel op accuraatheid. Dit is een genuanceerd en deels contra-intuïtief resultaat: incentives verbeteren accuraatheid specifiek wanneer AI beschikbaar is, maar herstellen de oordeelsopschorting niet.

De sterkste kritiek

De sterkste kritiek is de beperkte externe validiteit. Alle studies gebruikten één stimulusklasse (filmdetails) en één model (Step 3.5 Flash). De auteurs beargumenteren dat het mechanisme domein-onafhankelijk is, maar dit is een inferentie. Het is ongetest of het effect even sterk is wanneer AI-advies meestal correct is, of in domeinen waar fouten reële (niet-monetaire) consequenties hebben.

Een tweede kritiek betreft de interpretatie van "judgment suspension" als positief. De auteurs behandelen opschorting als een bescherming tegen false beliefs, maar in sommige contexten is antwoorden (zelfs met risico op fout) waardevoller dan opschorten. De normatieve lading van "opschorting is goed" is niet neutraal.

Een derde kritiek: de auteurs meten niet of deelnemers die AI overruleden andere bronnen raadpleegden. Dit betekent dat de toename in accuraatheid onder stakes niet kan worden toegeschreven aan "minder AI-gebruik" versus "meer alternatieve bronnen". De auteurs erkennen dit expliciet.

Falsificatie en alternatieve verklaringen

Wat zou de centrale claim weerleggen?

De claim dat AI-beschikbaarheid oordeelsopschorting verlaagt, zou worden verzwakt of weerlegd wanneer:

• een replicatie met AI-advies dat meestal correct is, geen reductie in opschorting toont;
• een replicatie in een domein met reële (niet-monetaire) consequenties geen effect toont;
• een replicatie met een ander model (of model-familie) geen effect toont;
• deelnemers die expliciet getraind zijn in AI-limieten (AI literacy) geen reductie tonen.

Kan het effect door iets anders worden verklaard?

Demand characteristics: deelnemers in de AI-conditie wisten dat ze AI-advies konden zoeken. Het is mogelijk dat sommigen antwoordden omdat ze dachten dat dit "verwacht" werd. De auteurs controleren dit niet expliciet, maar de consistentie over vijf studies en de replicatie met vooraf gegenereerde antwoorden maken dit minder waarschijnlijk.

Elicitation-effect: in Study 2 verlaagde het vragen van confidence de baseline-opschorting (0.36 in Study 1a vs. 0.17 in Study 2 no-AI). Dit suggereert dat het eliciteren van confidence deelnemers aanmoedigde om te raden. De auteurs erkennen dit en Study 3 verwijderde confidence-elicitation.

Model-specifiek effect: het gebruikte model hallucineerde vrijwel altijd. Het is mogelijk dat het effect deels model-specifiek is - een model dat vaker correct is, zou anders kunnen worden ontvangen. Dit is ongetest.

Selectie van vragen: de vragen waren gekozen om hallucinaties te induceren. Het is mogelijk dat deelnemers de vragen als "onmogelijk" ervoeren en daardoor anders reageerden dan bij realistische vragen. De auteurs beargumenteren dat het effect over vragen heen consistent was, maar dit is geen volledige controle.

Vergelijking met de state of the art

Het paper positioneert zich binnen een groeiende literatuur over AI-reliance:

• Shaw & Nave (2026) "cognitive surrender": meet of mensen correct eindigen na AI-consultatie, niet of ze weigeren te antwoorden. Dit paper vult dat gat.
• Fisher, Goddu & Keil (2015): internet zoeken inflateert zelf-ingeschatte kennis. Dit paper breidt dit uit van informatie die online bestaat naar generatieve adviezen die feitelijk fout zijn.
• Sparrow, Liu & Wegner (2011) "Google effects": transactive memory - mensen verwarren de kennis van een partner met hun eigen kennis. Dit paper toont dat dit ook geldt voor een partner wiens antwoorden fout zijn.
• Parasuraman & Manzey (2010) automation bias: over-reliance op geautomatiseerde hulpmiddelen. Dit paper linkt de resultaten aan dit raamwerk.
• Bonaccio & Dalal (2006) advice taking: mensen onderwegen doorgaans andermans advies (egocentric discounting). Dit paper toont het tegenovergestelde: deelnemers overwegen AI-advies zwaar, zelfs wanneer het fout is.

De unieke bijdrage is de combinatie van: (1) het isoleren van AI-gebruik van AI-nauwkeurigheid, (2) het meten van oordeelsopschorting als primaire uitkomst, en (3) het testen van de modererende rol van monetaire incentives.

Architecturale en operationele implicaties

Hoewel dit een gedragswetenschappelijk paper is, heeft het directe implicaties voor hoe AI-systemen worden ontworpen en ingezet:

1. De presentatie van AI-advies is een ontwerpbeslissing met metacognitieve gevolgen. De manier waarop een AI-antwoord wordt getoond (als definitief antwoord vs. als suggestie met onzekerheidsindicatie) beïnvloedt of gebruikers hun eigen oordeel opschorten.

2. Onzekerheidscommunicatie is geen cosmetische feature. Het paper toont dat de vloeiendheid van een antwoord het metacognitieve signaal kan omzeilen. Systemen die onzekerheid expliciet tonen (confidence-intervallen, "ik weet het niet"-opties, bronverwijzingen) kunnen dit tegenwerken.

3. Incentives en accountability werken gedeeltelijk. De data tonen dat monetaire incentives AI-gebruik verminderen en accuraatheid verbeteren, maar oordeelsopschorting niet herstellen. Dit suggereert dat accountability-structuren (zoals menselijke review van AI-ondersteunde beslissingen) effectiever zijn dan het simpelweg belonen van accuraatheid.

4. "Do not prompt what you can enforce" geldt ook hier: het is niet voldoende om een AI te instrueren "zeg ik weet het niet wanneer onzeker". De menselijke kant vereist dat systemen onzekerheid zichtbaar en handelbaar maken, niet alleen dat modellen het rapporteren.

Security- en assurance-implicaties

Het paper heeft implicaties voor de assurance-kant van AI-systemen:

1. False confidence is een security-risico. Wanneer AI-advies het vertrouwen van gebruikers verdubbelt terwijl accuraatheid daalt, creëert dit een false-green-achtig patroon: gebruikers rapporteren zekerheid terwijl de onderliggende kwaliteit laag is. Dit is analoog aan het false-green-risico in agentic systemen, waar een systeem succes rapporteert terwijl een kritieke fout aanwezig blijft.

2. Human oversight is niet automatisch effectief. De EU AI Act vereist menselijk toezicht op high-risk AI. Dit paper toont dat menselijk toezicht niet automatisch werkt: de aanwezigheid van AI-advies verandert de metacognitieve staat van de menselijke toezichthouder. Een toezichthouder die een AI-advies ziet, is minder geneigd om zijn eigen oordeel op te schorten of te betwijfelen.

3. De scheiding tussen generatie en verificatie is cruciaal. Het paper ondersteunt de architectuurregel dat generatie, review en verificatie niet in hetzelfde trust-domein mogen vallen. Wanneer een AI zowel het antwoord genereert als de menselijke acceptatie beïnvloedt, is de verificatie gecorreleerd met de generatie.

Governance, privacy en compliance

EU AI Act

De AI Act vereist menselijk toezicht op high-risk AI (artikel 14). Dit paper toont een concreet risico voor de effectiviteit van dat toezicht: de aanwezigheid van AI-advies kan de menselijke toezichthouder minder geneigd maken om zijn eigen oordeel te gebruiken. Dit heeft implicaties voor hoe "effectief menselijk toezicht" moet worden ontworpen - het is niet voldoende om een mens in de loop te plaatsen; het systeem moet zo worden ontworpen dat de mens zijn onafhankelijke oordeel kan behouden.

NIS2 en BIO2

Voor organisaties onder NIS2/BIO2 is dit relevant voor de risicobeoordeling van AI-ondersteunde besluitvorming. De bevinding dat AI-advies oordeelsopschorting onderdrukt, betekent dat AI-ondersteunde beslissingen een specifiek risico dragen dat niet wordt gedekt door standaard AI-kwaliteitsmetingen (accuraatheid, bias). Het vereist een menselijke-factor-analyse in de risicobeoordeling.

AVG

De bevinding heeft implicaties voor de menselijke betrokkenheid bij geautomatiseerde besluitvorming (artikel 22 AVG). Wanneer een AI-advies de menselijke bereidheid om te betwijfelen onderdrukt, is de "menselijke tussenkomst" die artikel 22 vereist mogelijk minder effectief dan bedoeld.

Sovereignty en menselijke autonomie

Het paper raakt een fundamenteel punt over menselijke autonomie in AI-interactie. De bevinding dat AI-advies het metacognitieve criterium verandert waarmee mensen beslissen of ze genoeg weten, is een vorm van cognitieve soevereiniteit: de controle over het eigen oordeel. Dit is relevant voor de bredere discussie over AI-soevereiniteit, die zich vaak richt op data en infrastructuur, maar de menselijke cognitieve laag over het hoofd ziet.

Concreet effect op het ecosysteem

Element	Besluit	Toelichting
AI-advies in besluitvorming	ADAPT	Presenteer AI-advies als suggestie met onzekerheidsindicatie, niet als definitief antwoord
Onzekerheidscommunicatie	ADOPT	Toon confidence-intervallen, "ik weet het niet"-opties en bronverwijzingen
Menselijk toezicht	ADAPT	Ontwerp toezicht zo dat de mens zijn onafhankelijke oordeel kan behouden, niet alleen een mens in de loop plaatsen
Accountability-structuren	ADAPT	Gebruik incentives en review-structuren die AI-gebruik verminderen, niet alleen accuraatheid belonen
AI literacy	EXPERIMENT	Test of training in AI-limieten oordeelsopschorting kan herstellen
False-green-risico	ADOPT	Behandel AI-geïnduceerde overconfidence als een assurance-risico, niet alleen als een kwaliteitskwestie

Wat zou de centrale thesis falsifiëren?

De centrale thesis - AI-beschikbaarheid verlaagt oordeelsopschorting - zou worden weerlegd wanneer:

1. Een replicatie met AI-advies dat meestal correct is, geen reductie in opschorting toont.
2. Een replicatie in een domein met reële consequenties (bijv. medische of financiële beslissingen) geen effect toont.
3. Een replicatie met AI-literacy-training geen effect toont.
4. Een replicatie met een ander model of model-familie geen effect toont.
5. Deelnemers die expliciet geïnstrueerd zijn dat het advies onbetrouwbaar is, geen reductie tonen.

Totdat deze tests zijn uitgevoerd, moet de bevinding worden behandeld als een sterke empirische demonstratie binnen een specifieke experimentele setting, niet als een universele wet van mens-AI-interactie.

Conclusie

Dit paper levert een van de meest directe empirische demonstraties van een risico dat in de AI-governance-literatuur vaak abstract blijft: AI-advies verandert niet alleen wát mensen antwoorden, maar of ze überhaupt besluiten te antwoorden. De bevinding dat louter de beschikbaarheid van AI-advies oordeelsopschorting bijna elimineert - zelfs wanneer het advies fout is en accuraatheid wordt beloond - is methodologisch robuust en bestuurlijk urgent.

De sterkste bijdrage is de isolatie van AI-gebruik van AI-nauwkeurigheid en de meting van oordeelsopschorting als primaire uitkomst. De sterkste beperking is de externe validiteit: één stimulusklasse, één model, en geen meting van verificatiegedrag.

Voor AI-governance is de belangrijkste les dat menselijk toezicht niet automatisch effectief is. De aanwezigheid van AI-advies verandert de metacognitieve staat van de menselijke toezichthouder. Effectief toezicht vereist daarom niet alleen een mens in de loop, maar een systeem dat zo is ontworpen dat de mens zijn onafhankelijke oordeel kan behouden - inclusief de bereidheid om "ik weet het niet" te zeggen.

Eindverdict

Dimensie	Oordeel	Onderbouwing
SCIENTIFIC CONTRIBUTION	HIGH	Vult een expliciet gat in de literatuur (oordeelsopschorting als uitkomst) met een methodologisch sterke isolatie van AI-gebruik van AI-nauwkeurigheid
ENGINEERING RELEVANCE	MODERATE	Geen technisch AI-paper, maar directe implicaties voor hoe AI-advies wordt gepresenteerd en hoe menselijk toezicht wordt ontworpen
DJIMIT RELEVANCE	HIGH	Direct toepasbaar op AI-governance, menselijk toezicht, EU AI Act-compliance en assurance
PRODUCTION READINESS	HIGH	De bevinding is direct toepasbaar op het ontwerp van AI-ondersteunde besluitvorming
EVIDENCE STRENGTH	HIGH	Vijf experimenten (N=3.132), vier preregistreerd, één directe replicatie, consistente effecten

Besluit: ADAPT

Niet ADOPT als universele wet, omdat de externe validiteit beperkt is (één stimulusklasse, één model). Niet REJECT, omdat de bevinding methodologisch robuust en bestuurlijk urgent is.

ADAPT, door:

• AI-advies te presenteren als suggestie met onzekerheidsindicatie, niet als definitief antwoord;
• onzekerheidscommunicatie (confidence-intervallen, "ik weet het niet"-opties) als ontwerpvereiste te behandelen;
• menselijk toezicht zo te ontwerpen dat de mens zijn onafhankelijke oordeel kan behouden;
• AI-geïnduceerde overconfidence als een assurance-risico te behandelen;
• de externe validiteit te testen in domeinen met reële consequenties en met AI-advies dat meestal correct is.

Bronnen

• Marcoccia, C., Quattrociocchi, W. & Capraro, V. "AI advice suppresses people's willingness to say 'I don't know', even when the advice is wrong and accuracy is incentivized". PsyArXiv preprint, juli 2026. https://osf.io/preprints/psyarxiv/5y6m4_v1
• Shaw, S. D. & Nave, G. "Thinking - fast, slow, and artificial: how AI is reshaping human reasoning and the rise of cognitive surrender". Preprint, 2026. https://doi.org/10.31234/osf.io/yk25n_v1
• Fisher, M., Goddu, M. K. & Keil, F. C. "Searching for explanations: how the Internet inflates estimates of internal knowledge". J. Exp. Psychol. Gen. 144, 674-687 (2015).
• Sparrow, B., Liu, J. & Wegner, D. M. "Google effects on memory". Science 333, 776-778 (2011).
• Parasuraman, R. & Manzey, D. H. "Complacency and bias in human use of automation". Hum. Factors 52, 381-410 (2010).
• Bonaccio, S. & Dalal, R. S. "Advice taking and decision-making". Organ. Behav. Hum. Decis. Process. 101, 127-151 (2006).
• EU AI Act, Verordening (EU) 2024/1689, artikel 14 (menselijk toezicht). https://eur-lex.europa.eu