کتاب صوتی اقتصاد رفتاری LLM: چگونه مدل‌های زبانی بزرگ، تصمیمات اقتصادی واقعی انسان‌ها را شبیه‌سازی می‌کنند؟

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب اقتصاد رفتاری LLM: چگونه مدل‌های زبانی بزرگ، تصمیمات اقتصادی واقعی انسان‌ها را شبیه‌سازی می‌کنند؟

موضوع کلی: هوش مصنوعی و علوم اجتماعی محاسباتی

موضوع میانی: شبیه‌سازی رفتارهای انسانی با استفاده از مدل‌های زبانی بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر اقتصاد رفتاری LLM
• 2. هوش مصنوعی و علوم اجتماعی محاسباتی: یک نمای کلی
• 3. مدل‌های زبانی بزرگ (LLMs) چیستند؟
• 4. مبانی LLMs: معماری و نحوه عملکرد
• 5. آموزش LLMs: مجموعه داده‌ها و فرایندها
• 6. کاربردهای LLMs در علوم اجتماعی
• 7. مدل‌های زبانی بزرگ به عنوان ابزارهای شبیه‌سازی
• 8. نیاز به شبیه‌سازی رفتارهای انسانی
• 9. چالش‌های شبیه‌سازی رفتار انسانی
• 10. چرا شبیه‌سازی رفتارهای اقتصادی مهم است؟
• 11. مروری بر اقتصاد رفتاری
• 12. مفاهیم کلیدی در اقتصاد رفتاری
• 13. سوگیری‌های شناختی و تأثیر آن‌ها بر تصمیمات اقتصادی
• 14. قطعیت، ریسک و عدم قطعیت در اقتصاد رفتاری
• 15. کشف مقاله "Pay What LLM Wants"
• 16. مقدمه مقاله: سوال اصلی تحقیق
• 17. روش‌شناسی مقاله: شبیه‌سازی آزمایش اقتصادی
• 18. پنجاه و دو شخصیت واقعی انسانی: مفهوم و اهمیت
• 19. طراحی آزمایش اقتصادی در مقاله
• 20. سناریوهای آزمایش و وظایف محول شده به LLM
• 21. معیارهای ارزیابی رفتار LLM
• 22. مقایسه رفتار LLM با رفتار انسانی واقعی
• 23. یافته‌های کلیدی مقاله: شباهت‌ها و تفاوت‌ها
• 24. تحلیل کمی داده‌های شبیه‌سازی شده
• 25. تحلیل کیفی پاسخ‌های LLM
• 26. توانایی LLM در شبیه‌سازی سوگیری‌های رفتاری
• 27. سوگیری لنگر انداختن (Anchoring Bias) و LLM
• 28. سوگیری تأیید (Confirmation Bias) و LLM
• 29. سوگیری هزینه هدر رفته (Sunk Cost Fallacy) و LLM
• 30. سوگیری وفاداری به پیش‌فرض (Default Option Bias) و LLM
• 31. سوگیری خوش‌بینی (Optimism Bias) و LLM
• 32. سوگیری از دست دادن (Loss Aversion) و LLM
• 33. سوگیری در دسترس بودن (Availability Heuristic) و LLM
• 34. ارزیابی دقت شبیه‌سازی LLM
• 35. عوامل مؤثر بر دقت شبیه‌سازی
• 36. نقش پارامترهای LLM در رفتار شبیه‌سازی شده
• 37. تأثیر تنظیمات prompt بر نتایج
• 38. ارزیابی قابلیت تعمیم‌پذیری مدل LLM
• 39. محدودیت‌های شبیه‌سازی با LLM
• 40. مقایسه LLM با سایر روش‌های شبیه‌سازی
• 41. کاربردهای عملی یافته‌های مقاله
• 42. کاربرد در سیاست‌گذاری اقتصادی
• 43. کاربرد در طراحی محصولات و خدمات
• 44. کاربرد در تحقیقات بازاریابی
• 45. کاربرد در درک رفتارهای مصرف‌کننده
• 46. کاربرد در آموزش اقتصاد
• 47. چالش‌های اخلاقی در استفاده از LLM برای شبیه‌سازی
• 48. مسائل مربوط به حریم خصوصی و داده‌ها
• 49. مسائل مربوط به تعصب در LLMs
• 50. مسائل مربوط به مسئولیت‌پذیری
• 51. آینده تحقیقات در زمینه LLMs و علوم اجتماعی
• 52. پیشرفت‌های آتی در معماری LLM
• 53. توسعه LLMs چندوجهی (Multimodal LLMs)
• 54. تکنیک‌های پیشرفته Prompt Engineering
• 55. روش‌های جدید ارزیابی و اعتبارسنجی LLMs
• 56. ادغام LLMs با سایر مدل‌های هوش مصنوعی
• 57. کاربردهای نوظهور LLMs در علوم اجتماعی
• 58. شبیه‌سازی پویایی‌های اجتماعی پیچیده
• 59. تحلیل شبکه‌های اجتماعی با LLMs
• 60. درک و تولید زبان طبیعی در تعاملات انسانی
• 61. شبیه‌سازی مذاکرات و تصمیم‌گیری گروهی
• 62. توسعه دستیاران هوشمند برای تعاملات اقتصادی
• 63. طراحی آزمایش‌های مجازی با استفاده از LLM
• 64. تأثیر LLMs بر آینده تحقیقات علمی
• 65. اهمیت داده‌های واقعی در آموزش LLM
• 66. کیفیت و کمیت داده‌های آموزشی
• 67. استراتژی‌های جمع‌آوری داده‌های رفتاری
• 68. پیمایش‌ها و مصاحبه‌ها با LLM
• 69. تجزیه و تحلیل محتوای متنی با LLM
• 70. جمع‌آوری داده از پلتفرم‌های آنلاین
• 71. بررسی انواع LLMs و قابلیت‌های آن‌ها
• 72. مدل‌های تشخیص زبان (Language Detection Models)
• 73. مدل‌های تولید زبان (Language Generation Models)
• 74. مدل‌های درک زبان (Language Understanding Models)
• 75. مدل‌های ترجمه زبان (Machine Translation Models)
• 76. مدل‌های خلاصه‌سازی متن (Text Summarization Models)
• 77. نحوه انتخاب LLM مناسب برای شبیه‌سازی
• 78. ارزیابی پارامترهای کلیدی LLM
• 79. اندازه مدل (Model Size)
• 80. پارامترهای آموزش (Training Parameters)
• 81. داده‌های آموزشی (Training Data)
• 82. معماری مدل (Model Architecture)
• 83. تنظیمات خروجی (Output Settings)
• 84. تکنیک‌های Prompt Engineering پیشرفته
• 85. Prompting چندوظیفه‌ای (Multi-task Prompting)
• 86. Few-shot Prompting
• 87. Zero-shot Prompting
• 88. Chain-of-Thought Prompting
• 89. Tree-of-Thought Prompting
• 90. Fine-tuning LLMs برای وظایف خاص
• 91. مراحل Fine-tuning
• 92. انتخاب مجموعه داده Fine-tuning
• 93. ارزیابی مدل Fine-tuned
• 94. معیارهای ارزیابی در شبیه‌سازی رفتاری
• 95. معیارهای دقت (Accuracy Metrics)
• 96. معیارهای مشابهت (Similarity Metrics)
• 97. معیارهای خطای پیش‌بینی (Prediction Error Metrics)
• 98. معیارهای کیفی (Qualitative Metrics)
• 99. طراحی پرسونا (Persona) برای LLM
• 100. اهمیت طراحی پرسونا