Como a revisão de AI afeta decisões dos árbitros e contestações dos jogadores

Resumo

Este estudo examina como o sistema de contestação Automated Ball-Strike da Major League Baseball afetou as decisões dos árbitros e o comportamento dos jogadores ao contestar decisões. Analisa arremessos marcados entre 2015 e 2026 e as contestações da primeira temporada do sistema, comparando o limite efetivo da zona de strike marcada, a consistência, as respostas a decisões revertidas e quais decisões os jogadores escolheram contestar.

Os resultados relatados indicam que, em 2026, o limite se deslocou em direção à zona automatizada, enquanto sua consistência acompanhou em grande parte a tendência anterior. Após decisões revertidas, os árbitros fizeram ajustes temporários perto dos limites corrigidos, mas esses ajustes não se mantiveram de forma confiável no jogo seguinte. Diferenças relacionadas à contagem persistiram, enquanto diminuíram as diferenças associadas à condição do jogador. Os jogadores também deixaram de contestar muitas decisões que poderiam ser revertidas, e suas escolhas pareceram estar mais ligadas a evidências imediatamente visíveis do que à geometria exata da zona. O estudo ilustra a interação entre a revisão algorítmica seletiva e o julgamento humano, mas a descrição fornecida não especifica os métodos estatísticos nem demonstra que esses resultados se generalizam para além desse contexto.

Ideias principais

• A revisão automatizada seletiva pode influenciar decisões humanas além das decisões que reverte.
• Na primeira temporada do sistema, os limites adotados pelos árbitros se deslocaram em direção à zona de strike automatizada.
• Os ajustes após decisões revertidas foram temporários e não persistiram de forma consistente até o jogo seguinte.
• Ao contestar decisões, os jogadores pareceram se basear mais em evidências visíveis do que na zona automatizada precisa.

Tags

# When the Strike Zone Becomes Algorithmic: Umpire Judgment and Player Challenge Decisions under AI Review


# When the Strike Zone Becomes Algorithmic: Umpire Judgment and Player Challenge Decisions under AI Review









The Automated Ball-Strike challenge system that Major League Baseball adopted in 2026 offers a distinctive setting for studying human AI interaction in which umpires make every ball and strike call, while players can selectively ask an automated system to publicly overturn those decisions. We analyze 4,114,256 called pitches from 2015 through 2026 and 8,447 challenges from the 2026 season to examine how algorithmic review reshapes umpire judgment and player behavior. We study where umpires placed the effective strike zone boundary, how consistently they applied that boundary, how they responded to overturned calls, and which calls players chose to challenge. In 2026, the effective called boundary shifted toward the automated strike zone beyond the trajectory observed in prior seasons, while the consistency of that boundary largely continued its existing trend. Following an overturned call, umpires temporarily adjusted subsequent decisions near the corrected boundary, although these effects did not consistently persist into the next game. Count dependent variation in calling remained, while differences associated with player status narrowed. Players, meanwhile, left many overturnable calls unchallenged and appeared to base challenge decisions more strongly on immediately observable evidence than on the precise geometry of the automated zone. Together, these findings show that selective AI review does more than correct individual errors. It reshapes human judgment, adaptation, and strategic behavior around an algorithmic authority.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.