این مطالعه ارتباط بین انتخاب کلمه و برون گراها را نشان می دهد – ScienceDaily

[ad_1]

مطالعه ای توسط تیمی از روانشناسان از دانشگاه صنعتی نانیانگ سنگاپور (NTU سنگاپور) نشان داد که بین افراد برون گرا و انتخاب کلمات آنها ارتباط وجود دارد.

این یافته ، نیاز به شاخص های زبانی قوی تری را برای استفاده در ابزارهای پیش بینی شخصیت آنلاین که به سرعت توسط شرکت ها برای بهبود استراتژی های بازاریابی دیجیتال در حال اتخاذ است ، تأکید می کند.

امروزه شرکت های بازاریابی با استفاده از الگوریتم های پیش بینی به آنها کمک می کنند تا براساس رفتار آنلاین خود ، آنچه را که مصرف کنندگان می خواهند پیش بینی کنند. شرکت ها همچنین به دنبال استفاده از داده ها و یادگیری ماشینی برای درک جنبه های روانشناختی رفتار مصرف کننده هستند که به طور مستقیم مشاهده نمی شوند ، اما می توانند اطلاعات ارزشمندی در مورد چگونگی بهبود تبلیغات هدفمند ارائه دهند.

به عنوان مثال ، یک “مصرف کننده برونگرا” ممکن است جذب پیامهای بازاریابی شخصی شده شود و سپس مارکها با استفاده از زبان برونگرا و خلاق تر برای تبلیغ محصولات خود ، چنین مشتریانی را هدف قرار دهند.

ابزارهای پیش بینی شخصیت موجود امروزه که توسط شرکتهای بازاریابی مورد استفاده قرار می گیرند به دلیل عدم وجود طرح های منطقی از نظر تئوری کاملاً دقیق نیستند.

محقق اصلی این مطالعه ، دانشیار لین کیو از برنامه روانشناسی در دانشکده علوم اجتماعی NTU ، گفت: “الگوریتم های یادگیری ماشین فعلی برای پیش بینی شخصیت ممکن است مانند یک جعبه سیاه به نظر برسند – شاخص های زبانی زیادی وجود دارد که می تواند شامل شود طراحی آنها ، اما بسیاری از آنها به نوع برنامه رایانه ای مورد استفاده بستگی دارند. این می تواند منجر به سوگیری و تنظیم مجدد شود ، خطایی که بر عملکرد الگوریتم های یادگیری ماشین تأثیر می گذارد. این س theال را ایجاد می کند – چگونه باید پیش بینی های شخصی پایدار و دقیق ایجاد کنیم؟ “

این مطالعه همبستگی بین برونگراها و تمایل آنها به استفاده از دسته خاصی از کلمات را پیدا کرد. نتایج نشان داد که قدرت کمی در رابطه بین برونگرایی و استفاده از “کلمات با احساس مثبت” و “کلمات از روند اجتماعی” وجود دارد.

کلمات دارای احساس مثبت توسط روانشناسان تعریف می شوند – با استفاده از ابزار تجزیه و تحلیل متن – به عنوان کلماتی که یک حالت احساسی دلپذیر را توصیف می کنند ، مانند “عشق” ، “شاد” یا “مبارک” ، یا نشان دهنده مثبت یا خوش بینی هستند ، مانند “زیبا”. “” یا “خوب” کلمات در روند اجتماعی شامل کلماتی هستند که ضمایر شخصی دارند ، به استثنای “من” و کلماتی که اهداف اجتماعی را نشان می دهند ، مانند “پاسخ” ، “سهم” و “صحبت کنید”.

“این اولین بار است که ارتباطی بین برونگراها و تمایل آنها به استفاده از هر دو دسته از کلمات برقرار می شود. از آنجا که این یک همبستگی کوچک است ، ما معتقدیم که برای بهبود رویکردهای یادگیری ماشین ، در برابر زمینه علاقه فزاینده به چنین ابزاری در بازاریابی مصرف کننده “، دانشیار پروفسور کیو گفت.

تیم NTU گفت یافته ها در سال 2007 منتشر شده است مجله تحقیقات شخصیت در دسامبر سال 2020 ، می تواند پیش بینی های زبانی کاملاً بنیادی را برای طراحی الگوریتم های یادگیری ماشین ، بهبود عملکرد ابزارهای نرم افزاری پیش بینی شخصیت ، در اختیار معامله گران قرار دهد.

نحوه انجام مطالعه

مطالعات انفرادی قبلی که توسط تیم NTU بررسی شد ، نشان می دهد که برونگرایی یا گرایش عمومی به تجربه احساسات مثبت و لذت بردن از تعاملات اجتماعی ، مربوط به استفاده از کلماتی است که روانشناسان به عنوان کلماتی با “احساس مثبت” یا “روند اجتماعی” توصیف می کنند. اما قدرت این پیوند گزارش شده بین مطالعات مختلفی که آن را بررسی می کنند ، بطور قابل توجهی متفاوت است.

برای تعیین اثربخشی چنین پیش بینی های زبانی ، تیم NTU 37 تحقیق را بررسی کرده است که همان موضوع را بررسی می کند تا یک فراتحلیل انجام دهد. برونگرایی با استفاده از پرسشنامه شخصیت شناخته شده بین المللی تعیین می شود.

با حرکت به جلو ، تیم تحقیقاتی NTU رابطه بین برونگرایی و سایر دسته های کلمات را کشف خواهد کرد.

تیم تحقیقاتی NTU گفت ، در حالی که یادگیری ماشین و تجزیه و تحلیل پیش بینی می تواند به شرکت ها و خرده فروشان یک مزیت اضافی در استراتژی های تجاری خود بدهد ، اما برای طراحی چنین مدل های تحلیلی باید موارد بیشتری را در نظر گرفت.

آنها امیدوارند که کار آنها انواع واژه هایی را که می توانند به هدایت توسعه دقیق ابزارهای یادگیری ماشین برای پیش بینی شخصیت کمک کنند ، روشن کند.

[ad_2]

منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>