اندازه‌گیری زمینه‌ای AI برای بازیابی اثرات فردی و سطح گروه: اعتبارسنجی در برابر مقیاس‌های نظرسنجی و یک کاربرد شغلی

علوم کامپیوتر > هوش مصنوعی arXiv:2609.02821v1 (cs) [ارسال شده در ۲ سپتامبر ۲۰۲۶] **عنوان:** اندازه‌گیری زمینه‌ای هوش مصنوعی برای بازیابی اثرات فردی و گروهی: اعتبارسنجی در برابر سنجه‌های نظرسنجی و یک کاربرد شغلی **نویسندگان:** ون‌شین جیانگ، شویانگ وانگ، یوکسائو وو نسخه PDF مقاله‌ای با عنوان «اندازه‌گیری زمینه‌ای هوش مصنوعی برای بازیابی اثرات فردی و گروهی: اعتبارسنجی در برابر سنجه‌های نظرسنجی و یک کاربرد شغلی» نوشته ون‌شین جیانگ و یک نویسنده دیگر را مشاهده کنید. [مشاهده PDF](#) [HTML (آزمایشی)](#) **چکیده:** پژوهشگران به‌طور فزاینده‌ای از هوش مصنوعی برای ساخت سنجه‌هایی از ویژگی‌های اجتماعی، سازمانی و شغلی بهره می‌برند که در نظرسنجی‌های سنتی وجود ندارند. ما در این مقاله چارچوب AICOME را معرفی می‌کنیم: یک چارچوب اندازه‌گیری زمینه‌ای مبتنی بر هوش مصنوعی که هدف آن ارزیابی این مسئله است که آیا سنجه‌های سطح پاسخ‌دهنده تولیدشده توسط هوش مصنوعی قادر به بازیابی اثرات فردی و گروهی در مدل‌های زمینه‌ای هستند یا خیر. ایده اصلی آن است که یک سنجه هوش مصنوعی که در سطح پاسخ‌دهنده ساخته می‌شود، می‌تواند برای استخراج میانگین گروهی و انحراف فردی آن به‌کار رود. این امر به پژوهشگران امکان می‌دهد تا هم ارتباطات بین‌گروهی و هم درون‌گروهی را برآورد کنند، نه آنکه سنجه هوش مصنوعی را صرفاً به‌عنوان پیش‌بینی پاسخ در نظر بگیرند. ما این چارچوب را با استفاده از داده‌های مطالعه پنل خانوار چین در سال ۲۰۲۲ (CFPS) اعتبارسنجی می‌کنیم. در این مطالعه، مشاغل ساختار گروهی تجربی را فراهم می‌کنند و چند متغیر نظرسنجی مرتبط با شغل به‌عنوان معیارهای اعتبارسنجی عمل می‌کنند. برای متغیرهای استفاده از رایانه، استفاده از زبان خارجی، ساعات کاری هفتگی و مسئولیت‌های مدیریتی، سنجه‌های نظرسنجی را با سنجه‌های تولیدشده توسط هوش مصنوعی در سطوح پاسخ‌دهنده، مدل، زمینه‌ای و شرایط مرزی مقایسه می‌کنیم. نتایج نشان می‌دهند که اندازه‌گیری زمینه‌ای هوش مصنوعی می‌تواند بخش قابل‌توجهی از اطلاعات مدل زمینه‌ای موجود در متغیرهای نظرسنجی مشاهده‌شده را بازیابی کند، مشروط بر آنکه ویژگی‌های غنی پاسخ‌دهنده و شغل در دسترس باشد. ساعات کاری هفتگی قوی‌ترین مورد اعتبارسنجی را ارائه می‌دهد، و سنجه‌های تولیدشده توسط هوش مصنوعی، همبستگی‌های منفی بزرگ بین شغلی و درون شغلی با رضایت شغلی را که در CFPS مشاهده شده است، بازتولید می‌کنند. این چارچوب همچنین شرایط مرزی روشنی را شناسایی می‌کند: عملکرد هنگامی که اطلاعات به شغل و جمعیت‌شناسی پایه محدود می‌شود، کاهش می‌یابد و بازیابی ضعیف‌تر است زمانی که چند مفهوم مرتبط به‌طور همزمان نامشاهده در نظر گرفته شوند. یافته‌ها حاکی از آن است که AICOME برای بازیابی تعداد محدودی از سازه‌های نظری مهم از مجموعه‌داده‌های موجودِ غنی، بیشترین کارایی را دارد. **موضوعات:** هوش مصنوعی (cs.AI)؛ یادگیری ماشین (cs.LG) **استناد:** arXiv:2609.02821 [cs.AI] (یا arXiv:2609.02821v1 [cs.AI] برای این نسخه) https://doi.org/10.48550/arXiv.2609.02821 برای اطلاعات بیشتر به DOI منتشرشده توسط arXiv از طریق DataCite توجه فرمایید (در انتظار ثبت) **تاریخ ارسال** **ارسال‌کننده:** ون‌شین جیانگ [مشاهده ایمیل] **[v1]** چهارشنبه، ۲ سپتامبر ۲۰۲۶، ۱۷:۰۹:۳۰ UTC (۴۳ کیلوبایت) --- **ابزارهای کتاب‌شناختی** ابزارهای کتاب‌شناختی و استنادی - [اکسپلورر کتاب‌شناسی](#) را فعال کنید (اکسپلورر کتاب‌شناسی چیست؟) - [مقالات مرتبط](#) را فعال کنید (مقالات مرتبط چیست؟) - [لیت‌مپس](#) را فعال کنید (لیت‌مپس چیست؟) - [استنادهای هوشمند scite.ai](#) (استنادهای هوشمند چیست؟) **کد، داده و رسانه** کد، داده و رسانه‌های مرتبط با این مقاله - [alphaXiv](#) (alphaXiv چیست؟) - لینک‌های کد: [کاتالیزکس](#)، [فیندر کد برای مقالات](#) (کاتالیزکس چیست؟)، [DagsHub](#)، [Gotit.pub](#)، [هاگینگ فیس](#) - [ساینس‌کست](#) (ساینس‌کست چیست؟) - دموها: [ریپلیکیت](#) (ریپلیکیت چیست؟) - اسپیس‌ها: [اسپیس‌های هاگینگ فیس](#)، [TXYZ.AI](#) **مقالات مرتبط** توصیه‌گرها و ابزارهای جستجو - [لینک به گل تأثیرگذاری](#) (گل تأثیرگذاری چیست؟) - [CORE Recommender](#) (CORE چیست؟) **نویسنده** **مجله** **مؤسسه** --- **درباره arXivLabs** arXivLabs: پروژه‌های آزمایشی با همکاران جامعه arXivLabs چارچوبی است که به همکاران اجازه می‌دهد تا ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه داده و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs همکاری می‌کنند، ارزش‌های ما یعنی باز بودن، جامعه‌محوری، تعالی و حفظ حریم خصوصی داده‌های کاربران را پذیرفته‌اند. arXiv به این ارزش‌ها متعهد است و تنها با شرکایی که آن‌ها را رعایت می‌کنند همکاری می‌کند. آیا ایده‌ای برای پروژه‌ای دارید که ارزشی برای جامعه arXiv بیفزاید؟ [بیشتر درباره arXivLabs بدانید](#). --- کدام نویسندگان این مقاله تأییدکننده هستند؟ | [غیرفعال‌سازی MathJax](#) (MathJax چیست؟)