هوش گیتهوش گیترسانه، شبکه و یادگیری AI
/ ⌘K
ورود
/ ⌘K
خانهشبکهیادگیریپروژه‌ها
هوش گیتهوش گیترسانه، شبکه و یادگیری AI
صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاها
/ ⌘K
ورود

دسترسی سریع

دسترسی سریع تحریریه

خبرها، موضوعات، حساب کاربری و تنظیمات مطالعه همیشه در سمت راست در دسترس‌اند.

حساب کاربری

ورود سریع به حساب و ابزارهای شخصی‌سازی

ورود

با حساب کاربری، اعلان‌ها، ذخیره‌سازی خبرها و سطح مطالعه شخصی را فعال می‌کنید.

صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاهاچهره‌های تخصصیسیاست‌گذاریامنیترویدادهافرصت‌های شغلیسرگرمیپروژه‌هاموضوعات
مرور موضوعات
همه
تم
درباره ماحریم خصوصیتماس با ما

مالکیت و پشتیبانی

شبکه هوشمند ابتکار ویستا

هوش‌گیت به‌عنوان رسانه و لایه دانشی این شرکت، با تمرکز بر خبر، یادگیری، همکاری حرفه‌ای و محصول‌های هوش مصنوعی توسعه داده می‌شود. تمامی حقوق مالکیت و کپی‌رایت این وب‌سایت متعلق به شبکه هوشمند ابتکار ویستا است.

این شرکت به‌صورت تخصصی در حوزه هوش مصنوعی، ساخت پلتفرم‌های AI، سامانه‌های مبتنی بر LLM، تحلیل داده، طراحی تجربه دانشی و توسعه زیرساخت‌های حرفه‌ای برای تیم‌های سازمانی فعالیت می‌کند.

مالکیت: شبکه هوشمند ابتکار ویستامدیرعامل: مسعود بخشی۰۹۱۲۴۷۳۳۲۳۴Devcodebase.dev@gmail.comHooshgate@gmail.comDevcodebase.com
v0.1.0 · 34452957c5d2-dirty · AK-swB5mEbEIMP41vX3U9 · 2026-04-13T14:42:12.000Z/api/version
آخرین خبرهاآموزشپریمیومدرباره ماتماس با ماحریم خصوصیقوانین استفادهکوکی‌هاسیاست تحریریه
App shellguest mode
خانهشبکهیادگیریپروژه‌هااعلان‌هاورک‌اسپیس
  1. خانه
  2. /
  3. اخبار
  4. /
  5. تقویت تکان‌های رفتاری با شخصی‌سازی تکراری مبتنی بر زبان بزرگ: یک آزمایش میدانی در مورد صرفه‌جویی در مصرف برق و آب گرم
arXiv (cs.CY)معتبر1405/01/18 04:00آموزش و یادگیری

تقویت تکان‌های رفتاری با شخصی‌سازی تکراری مبتنی بر زبان بزرگ: یک آزمایش میدانی در مورد صرفه‌جویی در مصرف برق و آب گرم

اصطکاک متفاوت بودند،. تکان‌های شخصی‌سازی‌شده توسط LLM (T2) بزرگترین اثرات حفاظتی را ایجاد کردند،. CY)؛ هوش مصنوعی (cs.

منبع: arXiv (cs.CY)

آموزش و یادگیریمتن‌باز و جامعهزیرساخت و محاسبات
نسخه مطالعهعمومی
منبعarXiv (cs.CY)
انتشار1405/01/18 04:00
سطح مطالعه
اشتراک در تلگراماشتراک در Xاشتراک در LinkedIn

share-ready · لینک کمپین آماده است

متن پیش‌نمایش telegram با ۵۷۷ کاراکتر ساخته شده است.

اگر این خبر برایتان مفید بود، حساب بسازید.

با حساب هوش‌گیت می‌توانید خبرها را ذخیره کنید، موضوع‌ها و چهره‌های تخصصی را دنبال کنید و مسیر یادگیری یا پروژه مناسب خودتان را سریع‌تر پیدا کنید.

ساخت حسابورود برای ذخیره و دنبال‌کردن
تقویت تکان‌های رفتاری با شخصی‌سازی تکراری مبتنی بر زبان بزرگ: یک آزمایش میدانی در مورد صرفه‌جویی در مصرف برق و آب گرم

Discussion Return Path

بازگشت سریع به همین گفتگو

این گفت‌وگو را ذخیره کن، thread را دنبال کن و اگر لازم است یک یادداشت کوتاه برای بازگشت بعدی بگذار.

لایه انسانی

نویسنده انسانی، یادداشت کارشناس و شفافیت نویسندگی

این سطح مشخص می‌کند کجا انتشار با حضور انسان تقویت شده و کجا newsroom هوش مصنوعی هنوز نقش اصلی را دارد.

لایه newsroom با کمک هوش مصنوعیبدون author انسانی عمومیreview with confidence

این خبر فعلاً بیشتر در لایه newsroom و پوشش کمک‌گرفته از هوش مصنوعی قرار دارد و هنوز نویسنده انسانی مشخصی برای آن ثبت نشده است.

جانمایی امن برای اسپانسر

امتیاز جانمایی۷۰ / 100
یادداشت‌های انسانی۰
  • منبع در سطح trusted قرار دارد.
  • trust score منبع بالاست.

قدم بعدی

بعد از خواندن این خبر چه کار کنم؟

اگر این موضوع برایت مهم است، از همین‌جا آن را ذخیره کن، گفت‌وگو را دنبال کن یا به مسیر یادگیری، چهره تخصصی و پروژه مرتبط برو.

حفظ و پیگیری

این مقاله را برای بازگشت بعدی ذخیره کن یا گفت‌وگوی همین خبر را دنبال کن.

رفتن به گفت‌وگو

یادگیری و action بعدی

اگر می‌خواهی از خبر به فهم عمیق‌تر برسی، مسیرهای مرتبط زیر سریع‌ترین entry هستند.

رفتن به هاب یادگیری

راهنمای مطالعه

منبع اصلی، تاریخ فارسی و شاخص‌های سریع این خبر.

رفتن به منبع
تاریخ فارسی1405/01/18 04:00
داستانمستقل

نکات کلیدی

این باکس براساس سطح مطالعه شما (عمومی) تنظیم شده است.

  • تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.
  • اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و بارها بازخورد را به مراحل بعدی.
  • قابل اجرا تحت شرایط متغیر ترجمه کنند.
  • مدل‌های زبان بزرگ (LLM) ممکن است با ایجاد راهنمایی شخصی و به روز رسانی آن به‌طور مکرر.
  • در طول دوره‌های مداخله،.
  • به کاهش بخشی از این کار شناختی کمک کند.
  • ما یک عامل LLM را برای شخصی‌سازی تکراری توسعه دادیم و آن را در یک آزمایش تصادفی سه.

فهرست مطالب

  1. TL;DR
  2. چه اتفاقی افتاد
  3. چرا مهم است
  4. منبع

سیگنال تعامل

بازدید۰
کلیک۰
امتیاز0.00
دیدگاه۰

TL;DR

  • چکیده:.
  • تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.
  • اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و بارها بازخورد را به مراحل بعدی.

چه اتفاقی افتاد

چکیده:. تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.

اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و بارها بازخورد را به مراحل بعدی. قابل اجرا تحت شرایط متغیر ترجمه کنند.

مدل‌های زبان بزرگ (LLM) ممکن است با ایجاد راهنمایی شخصی و به روز رسانی آن به‌طور مکرر. در طول دوره‌های مداخله،.

به کاهش بخشی از این کار شناختی کمک کند. ما یک عامل LLM را برای شخصی‌سازی تکراری توسعه دادیم و آن را در یک آزمایش تصادفی سه.

بازویی بین 233 نفر از ساکنان دانشگاه در چین،. با استفاده از برق روزانه و صرفه‌جویی در آب گرم دوش به‌عنوان موارد اندازه‌گیری شده عینی که در.

اصطکاک متفاوت بودند،. آزمایش کردیم.

تکان‌های شخصی‌سازی‌شده توسط LLM (T2) بزرگترین اثرات حفاظتی را ایجاد کردند،. در حالی که تکان‌های معمولی تقویت‌شده با تصویر (T1) و تکان‌های معمولی مبتنی بر متن (C) نتایج مشابهی.

را نشان دادند (009/0 = p omnibus). نسبت به C، T2 برق را کاهش داد مصرف 0.

56 کیلووات ساعت در هر اتاق در روز (p = 0. 014)، که مربوط به نرخ پس انداز تنظیم شده 18.

3 درصد بالاتر است. این مزیت در دو دور اول مداخله،.

همراه با به روز رسانی مکرر راهنمایی شخصی پدیدار شد و پس از آن نیز ادامه یافت. نتایج آب گرم همان جهت را دنبال کردند،.

اما کوچکتر بودند،. با دقت کمتری تخمین زدند،.

و در طول زمان کاهش یافتند،. مطابق با اصطکاک قوی‌تر در این حوزه.

تلنگرهای شخصی سازی شده توسط LLM بر هدایت آینده نگر و زمینه خاص تأکید داشتند و با مشارکت. بیشتر شرکت کنندگان مرتبط بودند.

این مطالعه شواهد میدانی ارائه می‌دهد که شخصی‌سازی تکراری مبتنی بر LLM می‌تواند تلنگری‌های رفتاری را با اصطکاک. رفتاری به‌عنوان یک شرایط مرزی بالقوه افزایش دهد.

آزمایشات بزرگتر و گسترش رفتارهای بیشتر ضروری است. کامپیوتر و جامعه (cs.

CY)؛ هوش مصنوعی (cs. AI)؛ تعامل انسان و رایانه (cs.

HC) استناد به‌عنوان: (یا v1 [cs. CY] برای این نسخه) https:.

// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Chunyan Wang [مشاهده ایمیل] [v1] شنبه،.

4 آوریل 2026،. ساعت 22:.

28:. 50 UTC (1,.

855 KB).

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.

اعتبار

چرایی اعتماد به این خبر

امتیاز اعتبار، منطق اعتماد، وضعیت راستی‌آزمایی و لاگ تغییرات در یک نگاه.

اعتبار خبر۴۳ / 100
اعتبار منبع۱۳ / 100
اعتبار موضوع۱۰۰ / 100
تازگی۱۰۰ / 100
مرحله عمر خبرMAINTAINED
نیاز به به‌روزرسانیخیر
نیازمند تقویتنیازمند تقویتمرجع قویتازه و فعال

تصمیم انسانی تحریریه

خلاصه تصمیم تحریریه

سیگنال بازبینی باز استresearch review requiredنیاز بازبینی قابل مشاهده استstandard editorial path

این مقاله در مسیر research review required قرار دارد و بخشی از سیگنال‌های review هنوز باید تکمیل یا شفاف‌تر شود.

دلیل انتشار: محتوای پژوهشی باید citation، سطح‌بندی مخاطب و نکات کلیدی را قبل از انتشار با بازبینی انسانی روشن کند. وضعیت فعلی: fact-check not_started و checklist ۰٪.

کلاس خبرRESEARCH
سخت‌گیری بازبینیREQUIRED
بازبینثبت عمومی نشده

موارد بازبینی که باید شفاف‌تر شوند

صحت و منبع اصلی تایید شدتیتر بازبینی و حرفه‌ای شدخلاصه برای کارت و SEO تایید شدنکات کلیدی بازبینی شدنسخه‌های سطح‌بندی‌شده بررسی شدبازخوانی نهایی انجام شد
سیاست تحریریه و اصلاحاتچرا به هوش‌گیت اعتماد کنیم؟

چرا این خبر قابل اعتماد است

    شفافیت راستی‌آزمایی ادعاها

    ادعای تاییدشده۰
    نیازمند بازبینی۰
    میانگین اطمینان۰٪

    چرا هنوز مهم است

    این خبر هنوز بازدید، کامنت یا follow-up کافی دارد و از چرخه توجه مخاطب خارج نشده است.

    تقویت اعتبار

    وجود follow-up و پوشش مرتبط، authority این خبر را در طول زمان تقویت می‌کند.

    بخش منابع و ارجاع‌ها

    لینک‌های منبع اصلی، ارجاع‌های ادعا و referenceهای مکمل برای پیگیری مستقیم.

    arxiv.orgمنبع اصلی

    arxiv.org/abs/2604.03881v1

    arxiv.orgارجاع تکمیلی

    arxiv.org/list/cs.CY/recent

    پوشش‌های پیگیری

    پیگیری‌های بعدی، توضیح‌دهنده‌های مرتبط یا خبرهای مکملی که عمر این موضوع را بعد از انتشار ادامه می‌دهند.

    مدل‌های ریاضی تکامل و پویایی سیستم‌های همانندساز؛ فصل اول

    پیگیری بعدی

    1405/01/21 18:04

    AutoLALA: تحلیل جبری خودکار locality حلقه‌ها برای هسته‌های AI و HPC

    پیگیری بعدی

    1405/01/21 18:03

    نمایش کوپول دم از وابستگی دم حداکثر مبتنی بر مسیر

    پیگیری بعدی

    1405/01/19 04:00

    نمونه‌گیری حسابرسی متوالی با ضمانت‌های آماری

    پیگیری بعدی

    1405/01/19 04:00

    تعامل کاربران و کیفیت خبر

    امتیاز بدهید، نظر ثبت کنید یا اگر خطایی دیدید گزارش اصلاح بفرستید. moderation، trust contributor و کیفیت thread به‌صورت شفاف نمایش داده می‌شود.

    بازدید

    ۰

    کلیک روی خبر

    ۰

    امتیاز میانگین

    0.00 / 5

    دیدگاه تایید شده

    ۰

    وضعیت trust گفتگو

    کیفیت thread براساس reputation contributorها، رأی‌ها و moderation سنجیده می‌شود.

    در حال بارگذاری

    امتیاز thread

    ۰ / 100

    دیدگاه متخصص

    ۰

    دیدگاه مفید

    ۰

    خروجی moderation و قوانین

    تاییدشده: ۰pending: ۰hidden/spam: ۰

      حضور انسانی در این گفتگو

      این بخش کمک می‌کند thread فقط حول personaها دیده نشود و contributorهای انسانی واقعی هم واضح باشند.

      contributor انسانی: ۰trusted: ۰expert: ۰
      هنوز contributor انسانی برجسته‌ای در این thread دیده نشده است.

      امتیاز شما به خبر

      هنوز امتیاز نداده‌اید.

      واکنش سریع به خبر

      به‌جای لایک کلی، نوع برداشت خودتان را مشخص کنید.

      ثبت دیدگاه

      دیدگاه‌های کم‌ارزش یا spam به‌صورت خودکار محدود می‌شوند و نتیجه moderation در همین صفحه قابل مشاهده است.

      گزارش اصلاح یا بهبود

      اگر claim، ترجمه، منبع یا framing خبر نیاز به اصلاح دارد، این مسیر مستقیم برای تیم تحریریه است.

      آخرین دیدگاه‌ها

      هنوز دیدگاهی ثبت نشده است.

      مقایسه سه سطح مطالعه

      برای همین خبر، نسخه ساده، عمومی و تخصصی کنار هم خلاصه شده‌اند.

      ساده

      ۲٬۱۸۳ کاراکتر

      تکان‌های شخصی‌سازی‌شده توسط LLM (T2) بزرگترین اثرات حفاظتی را ایجاد کردند،. تلنگرهای شخصی سازی شده توسط LLM بر هدایت آینده نگر و زمینه. CY)؛ هوش مصنوعی (cs.

      • تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.
      • اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و.
      • بارها بازخورد را به مراحل بعدی قابل اجرا تحت شرایط متغیر ترجمه.
      • مدل‌های زبان بزرگ (LLM) ممکن است با ایجاد راهنمایی شخصی و.

      عمومی

      ۲٬۲۰۷ کاراکتر

      اصطکاک متفاوت بودند،. تکان‌های شخصی‌سازی‌شده توسط LLM (T2) بزرگترین اثرات حفاظتی را ایجاد کردند،. CY)؛ هوش مصنوعی (cs.

      • تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.
      • اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و بارها بازخورد را به مراحل بعدی.
      • قابل اجرا تحت شرایط متغیر ترجمه کنند.
      • مدل‌های زبان بزرگ (LLM) ممکن است با ایجاد راهنمایی شخصی و به روز رسانی آن به‌طور مکرر.

      تخصصی

      ۲٬۲۳۶ کاراکتر

      تکان‌های شخصی‌سازی‌شده توسط LLM (T2) بزرگترین اثرات حفاظتی را ایجاد کردند،. CY)؛ هوش مصنوعی (cs. HC) استناد به‌عنوان: (یا v1 [cs.

      • تلنگر به‌طور گسترده برای ترویج تغییرات رفتاری استفاده می‌شود،.
      • اما اثربخشی آن اغلب زمانی محدود می‌شود که گیرندگان باید بارها و بارها بازخورد را به مراحل بعدی قابل اجرا تح...
      • مدل‌های زبان بزرگ (LLM) ممکن است با ایجاد راهنمایی شخصی و به روز رسانی آن به‌طور مکرر در طول دوره‌های مداخله،.
      • به کاهش بخشی از این کار شناختی کمک کند.

      هایلایت‌ها و یادداشت‌ها

      متن دلخواه را در خبر انتخاب کنید و با یک کلیک هایلایت بزنید. فقط برای شما قابل مشاهده است.

      برای استفاده از هایلایت و یادداشت، وارد حساب کاربری شوید.

      منابع اولیه

      لینک‌های اصلی این خبر، شامل منبع اصلی و ارجاع‌های claim panel.

      • https://arxiv.org/abs/2604.03881v1
      • https://arxiv.org/list/cs.CY/recent

      کاوش این مقاله

      از این خبر به موضوع، persona، درس، پروژه و مسیر یادگیری مرتبط برسید.

      پرسش از هوش‌گیت

      موضوع‌های این مقاله

      آموزش و یادگیریمتن‌باز و جامعهزیرساخت و محاسباتپژوهش پیشرفته

      موجودیت‌های این مقاله

      هنوز موجودیت ثبت‌شده‌ای برای این مقاله دیده نمی‌شود.

      چهره‌های مرتبط

      هنوز persona signal معناداری برای این مقاله ثبت نشده است.

      درس‌های مرتبط

      هنوز درس مرتبطی برای این مقاله پیدا نشده است.

      پروژه‌های مرتبط

      هنوز پروژه مرتبطی برای این مقاله پیدا نشده است.

      مسیرهای یادگیری

      هنوز مسیر یادگیری نزدیکی برای این مقاله پیدا نشده است.

      پست‌های مرتبط نبض هوش

      چهره‌های تخصصی هوش‌گیت این خبر را از زاویه نقش و تخصص خودشان تحلیل کرده‌اند.

      رفتن به شبکه

      هنوز پست تخصصی برای این خبر منتشر نشده است.

      با انتشار یا backfill پست‌های شبکه، تحلیل‌های مرتبط اینجا نمایش داده می‌شوند.

      خبرهای مرتبط

      خبرهای نزدیک به همین موضوع برای ادامه مطالعه.

      مدل‌های ریاضی تکامل و پویایی سیستم‌های همانندساز؛ فصل اولarXiv (q-bio.PE)AutoLALA: تحلیل جبری خودکار locality حلقه‌ها برای هسته‌های AI و HPCarXiv (cs.PL)نمایش کوپول دم از وابستگی دم حداکثر مبتنی بر مسیرarXiv (q-fin.RM)نمونه‌گیری حسابرسی متوالی با ضمانت‌های آماریarXiv (q-fin.RM)

      بعدش چی بخونم؟

      پیشنهادها براساس موضوعات، موجودیت‌ها و سابقه مطالعه شما انتخاب می‌شوند.

      Cortex AISQL: موتور SQL تولیدی برای داده‌های بدون ساختارarXiv (cs.DB)رویدادهای آینده هوش مصنوعیNIST AIاین صفحه چند رویداد آینده NIST و جامعه پژوهشی هوش مصنوعی را معرفی می‌کند؛ از وبینارهای فنی تا کارگاه‌های حضوری درباره اندازه‌گیری...مدل‌های ریاضی تکامل و پویایی سیستم‌های همانندساز؛ فصل اولarXiv (q-bio.PE)این فصل مدل‌های Eigen و Crow-Kimura را مرور می‌کند و نشان می‌دهد چگونه ایده‌های ریاضی تکامل می‌توانند برای فهم سیستم‌های همانندسا...AutoLALA: تحلیل جبری خودکار locality حلقه‌ها برای هسته‌های AI و HPCarXiv (cs.PL)AutoLALA ابزاری متن‌باز برای تحلیل locality داده در برنامه‌های حلقه‌محور است و با یک DSL رسمی، مسیر پایین‌آوری چندسطحی و شمارش Ba...نمایش کوپول دم از وابستگی دم حداکثر مبتنی بر مسیرarXiv (q-fin.RM)چارچوب وابستگی دنباله حداکثر مبتنی بر مسیر پیشنهاد شده است،. مشتق می‌شود و حداکثر TDC مبتنی بر مسیر به‌عنوان آنالوگ طبیعی TDC کلا...
      دسته‌های مرتبط:خبرپژوهش
      برچسب‌ها:AgentsComputeNLPVisionLLM
      فهرست خبرها