کتاب عوامل اجتماعی عمومی (GSA): هوش مصنوعی برای پیش‌بینی رفتار انسان در سناریوهای ناشناخته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره عوامل اجتماعی عمومی (GSA): هوش مصنوعی برای پیش‌بینی رفتار انسان در سناریوهای ناشناخته

موضوع کلی: هوش مصنوعی در علوم اجتماعی

موضوع میانی: پیش‌بینی رفتار انسانی با عوامل هوشمند

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر عوامل اجتماعی عمومی (GSA)
• 2. تلاقی هوش مصنوعی و علوم اجتماعی
• 3. تاریخچه مدل‌سازی رفتار انسان: از آمار تا شبیه‌سازی
• 4. مروری بر مدل‌سازی عامل‌بنیان (ABM) سنتی
• 5. محدودیت‌های مدل‌های کلاسیک در پیش‌بینی رفتار
• 6. انقلاب مدل‌های زبانی بزرگ (LLM) در هوش مصنوعی
• 7. چرا به یک "عامل اجتماعی عمومی" نیاز داریم؟
• 8. مبانی نظری مقاله "General Social Agents"
• 9. مقایسه GSA با سایر رویکردهای هوش مصنوعی در علوم اجتماعی
• 10. تعریف مسئله: پیش‌بینی رفتار در سناریوهای دیده‌نشده
• 11. داده‌های بزرگ اجتماعی: سوخت لازم برای GSA
• 12. اصول روانشناسی شناختی برای مدل‌سازی عامل‌ها
• 13. مفاهیم کلیدی: باور، تمایل، و قصد (BDI)
• 14. نقش نظریه بازی‌ها در درک تعاملات اجتماعی
• 15. اهداف و ساختار کلی دوره آموزشی
• 16. معماری یک عامل اجتماعی عمومی: نگاهی کلی
• 17. استفاده از LLM به عنوان موتور شناختی عامل
• 18. بازتعریف مدل BDI با استفاده از زبان طبیعی
• 19. نمایش "ذهن" عامل: تولید حالت‌های ذهنی با پرامپت
• 20. ساخت پرسونا (Persona): تعریف شخصیت و پیشینه عامل
• 21. مهندسی پرامپت برای ایجاد شخصیت‌های متنوع
• 22. حافظه عامل: معماری حافظه کوتاه‌مدت و بلندمدت
• 23. مکانیزم بازیابی اطلاعات مرتبط از حافظه
• 24. فرآیند تصمیم‌گیری و انتخاب کنش در GSA
• 25. مدل‌سازی ادراک: عامل چگونه محیط خود را می‌فهمد؟
• 26. شبیه‌سازی حالات عاطفی و تأثیر آن بر رفتار
• 27. تولید زبان طبیعی: چگونه عامل‌ها با یکدیگر صحبت می‌کنند؟
• 28. درک و تفسیر زبان در تعاملات چندعاملی
• 29. مدل‌سازی ارزش‌ها و هنجارهای اجتماعی در عامل
• 30. یادگیری و انطباق: چگونه عامل در طول زمان تغییر می‌کند؟
• 31. نقش مدل‌های جهان (World Models) در استدلال عامل
• 32. پیاده‌سازی ساختار داده‌ای برای ذهن عامل
• 33. تعادل بین رفتار مبتنی بر قاعده و رفتار تولیدی (Generative)
• 34. شبیه‌سازی سوگیری‌های شناختی انسان
• 35. مدیریت پیچیدگی شناختی در عامل‌های مقیاس‌پذیر
• 36. مفهوم "خودآگاهی" شبیه‌سازی‌شده در GSA
• 37. مدل‌سازی تأثیر روابط اجتماعی بر تصمیم‌گیری
• 38. کدنویسی یک عامل پایه: از ایده تا پیاده‌سازی اولیه
• 39. ابزارها و کتابخانه‌های نرم‌افزاری برای ساخت GSA
• 40. بررسی موردی: کالبدشکافی یک عامل اجتماعی ساده
• 41. اصول طراحی یک شبیه‌سازی اجتماعی مبتنی بر GSA
• 42. تعریف محیط و زمینه شبیه‌سازی
• 43. طراحی سناریوهای اجتماعی: از ساده تا پیچیده
• 44. نمونه‌گیری (Instantiation) جمعیت عامل‌ها
• 45. مدل‌سازی شبکه‌های اجتماعی و ساختارهای ارتباطی
• 46. پیاده‌سازی تعاملات عامل با عامل
• 47. پیاده‌سازی تعاملات عامل با محیط
• 48. ثبت و ضبط داده‌ها: ردگیری تاریخچه شبیه‌سازی
• 49. تکنیک‌های پیشرفته مهندسی پرامپت برای شبیه‌سازی پویا
• 50. تنظیم دقیق (Fine-tuning) LLM‌ها برای حوزه‌های اجتماعی خاص
• 51. بهینه‌سازی محاسباتی برای شبیه‌سازی‌های بزرگ‌مقیاس
• 52. مدیریت حالت (State Management) در سیستم‌های چندعاملی
• 53. اشکال‌زدایی (Debugging) رفتار عامل‌ها
• 54. تحلیل خروجی‌های شبیه‌سازی: یافتن الگوهای معنادار
• 55. تکنیک‌های مصورسازی نتایج شبیه‌سازی اجتماعی
• 56. یکپارچه‌سازی GSA با داده‌های دنیای واقعی
• 57. اجرای شبیه‌سازی‌های موازی و توزیع‌شده
• 58. کنترل و هدایت شبیه‌سازی از طریق مداخلات
• 59. طراحی آزمایش‌های کنترل‌شده در محیط شبیه‌سازی
• 60. چالش‌های تکرارپذیری در شبیه‌سازی‌های مبتنی بر LLM
• 61. پلتفرم‌های موجود برای شبیه‌سازی اجتماعی با هوش مصنوعی
• 62. مطالعه موردی: شبیه‌سازی انتشار یک شایعه
• 63. مطالعه موردی: مدل‌سازی یک مذاکره گروهی
• 64. پروژه عملی: ساخت یک شبیه‌سازی اجتماعی کوچک
• 65. بهترین شیوه‌ها در توسعه و مدیریت پروژه‌های شبیه‌سازی GSA
• 66. چالش بزرگ اعتبارسنجی مدل‌های اجتماعی
• 67. اعتبارسنجی در سطح خرد (رفتار فردی) و کلان (نتایج جمعی)
• 68. معیارهای کمی برای ارزیابی رفتار عامل
• 69. روش‌های ارزیابی کیفی: تحلیل روایت‌ها و استدلال‌ها
• 70. مقایسه خروجی شبیه‌سازی با داده‌های رفتاری انسان
• 71. طراحی آزمایش‌های رفتاری برای تست GSA
• 72. آزمون تورینگ اجتماعی: آیا عامل‌ها از انسان قابل تشخیص نیستند؟
• 73. سنجش دقت پیش‌بینی در سناریوهای جدید و ناشناخته
• 74. ارزیابی قابلیت "عمومیت" یک GSA
• 75. تحلیل حساسیت: مدل به چه پارامترهایی حساس است؟
• 76. شناسایی و کاهش سوگیری‌های الگوریتمی در GSA
• 77. اعتبارسنجی بین‌مدلی: مقایسه GSA با مدل‌های دیگر
• 78. نقش متخصصان حوزه در فرآیند اعتبارسنجی
• 79. مستندسازی فرآیند اعتبارسنجی برای شفافیت
• 80. مطالعه موردی: اعتبارسنجی یک مدل GSA در پیش‌بینی نتایج یک نظرسنجی
• 81. کاربرد در علوم سیاسی: پیش‌بینی افکار عمومی و روندهای انتخاباتی
• 82. کاربرد در اقتصاد: شبیه‌سازی رفتار مصرف‌کننده و پویایی بازار
• 83. کاربرد در جامعه‌شناسی: مدل‌سازی انتشار اطلاعات و اخبار جعلی
• 84. کاربرد در برنامه‌ریزی شهری: شبیه‌سازی ترافیک و تحرک اجتماعی
• 85. کاربرد در مدیریت: مدل‌سازی رفتار سازمانی و پویایی تیم
• 86. GSA و نظریه بازی‌های تکاملی: مطالعه ظهور همکاری
• 87. کاربرد در بهداشت عمومی: شبیه‌سازی شیوع بیماری و پذیرش واکسن
• 88. کاربرد در روانشناسی: تست فرضیه‌های روانشناختی در محیط مجازی
• 89. GSA به عنوان ابزاری برای طراحی سیاست‌های عمومی
• 90. مطالعه موردی جامع: از طراحی تا اعتبارسنجی یک پروژه GSA
• 91. پدیده‌های نوظهور (Emergent Phenomena) در جوامع GSA
• 92. بحث فلسفی: آگاهی، قصد و عاملیت در عامل‌های مصنوعی
• 93. ملاحظات اخلاقی در شبیه‌سازی انسان‌ها
• 94. حریم خصوصی داده‌ها و ایجاد پرسوناهای دیجیتال
• 95. خطرات استفاده نادرست: مهندسی اجتماعی و دستکاری افکار
• 96. چارچوب‌های حکمرانی و تنظیم‌گری برای فناوری GSA
• 97. مدل‌های ترکیبی: ادغام GSA با رویکردهای آماری و ABM سنتی
• 98. آینده علوم اجتماعی محاسباتی با ظهور GSA
• 99. محدودیت‌های فعلی و مسیرهای تحقیقاتی آینده
• 100. جمع‌بندی دوره و راهنمای پروژه نهایی