标签
一项大规模调查显示，美国员工高估了生成式人工智能导致的工作流失风险，这种担忧在实际劳动力市场数据中并未体现；相反，恐惧与在核心工作职能中使用更高比例的人工智能相关。
一项由宾夕法尼亚州立大学主导、发表于《PLOS One》的研究发现，超过一半的美国成年人表示缺乏基本的统计知识，然而大多数人表示如果更好地理解统计，会更多地依赖统计。
本文开发了一个分阶段的稳健性分析框架，该框架将结构方程模型（SEM）、普通最小二乘法（OLS）和双机器学习（DML）连接起来，用于基于调查的潜变量研究，并通过金融科技数字客户亲密度调查模型进行了演示。该框架为研究人员提供了一个可重复使用的模板，用于评估不同估计方法下研究结果的稳定性。
本文提出一个五阶段框架，将大型语言模型整合到调查研究中，以应对回复率下降、样本偏差和欺诈性完成等问题。基于2024年米尔顿飓风调查数据，作者提出了一种理论知情的LLM（A-TLM），在缺失数据场景中优于经典插补方法，并通过基于事实的拒答机制展示了可控的幻觉风险。