Zero-Shot to Head-Shot: Hyperpersonalization in the Age of Generative AI
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».