Zero-Shot to Head-Shot: Hyperpersonalization in the Age of Generative AI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Generative Artificial Intelligence (GenAI) is rapidly transforming industries and organizations through automation and augmentation. Personalization of human–system interaction is a key area that can be significantly advanced through the effective implementation of GenAI. GenAI, positioned as an intermediary between humans and systems, can transform the human experience from the pre-defined, conventional notions of personalization into a dynamic and integrated hyperpersonalization capability. This article presents the zero-shot-to-head-shot hyperpersonalization (Z2H2) framework, which aims to achieve this through the effective adoption of GenAI techniques. It is a domain-neutral framework of three incremental stages named zero-shot, few-shot, and head-shot that gradually increase the level of hyperpersonalization of the human–system interaction. The framework is further represented in a layered system design and the Z2H2 Data Modality Matrix (ZDMM), which systematically maps data types, AI capabilities, and personalization objectives for each stage. The capabilities of the framework are demonstrated in an educational setting, followed by an empirical evaluation using the Open University Learning Analytics Dataset (OULAD). Although this dataset only contains demographic and aggregated clickstream data, which is a subset of attributes relevant to the entire framework, the gradual development of zero-shot-to-head-shot hyperpersonalization is effectively demonstrated and validated on these student interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle