تحلیل و پیش بینی تعامل کاربران با محتوای دیجیتال مبتنی بر هوش مصنوعی

این پژوهش به تحلیل و پیش بینی الگوهای تعامل کاربران با محتوای دیجیتال مبتنی بر هوش مصنوعی در پلتفرم های رسانه ای می پردازد و بر عوامل رفتاری، اقتصادی و صنعتی تمرکز دارد. پرسش های اصلی تحقیق شامل شناسایی الگوهای تعامل، خوشه بندی کاربران، پیش بینی سطوح تعامل و ارزیابی عوامل اثرگذار است. داده ها از دیتاست Impact of AI on Digital Media (۲۰۲۰–۲۰۲۵) شامل ۲۰۰ مشاهده با ۸ متغیر کمی و ۴ متغیر کیفی استخراج شد. کیفیت داده ها بر اساس معیارهای Wang & Strong در Minitab بررسی شد و نتایج نشان داد، داده ها بیش از ۹۸ درصد کامل، به روز تا سال ۲۰۲۵ و متوازن از نظر صنایع و کشورها (با تمرکز بر ایالات متحده و چین) هستند. پیش پردازش داده ها در Python (Pandas، NumPy، Seaborn، Matplotlib) و تحلیل های آماری در SPSS (ANOVA، همبستگی) انجام شد. برای پیش بینی تعامل از مدل های رگرسیون، Random Forest و تفسیر SHAP استفاده گردید. خوشه بندی K-Means پنج خوشه متمایز شناسایی کرد که از جمله آن ها «پذیرش بالا با اثر اقتصادی مثبت» و «همکاری محور اما شکننده» بودند. خوشه بندی سلسله مراتبی و الگوریتم های مبتنی بر چگالی (DBSCAN و OPTICS) نیز نتایج مشابهی را با تعداد بهینه ۴ تا ۶ خوشه تایید کردند. در تمامی روش ها، متغیرهای پذیرش هوش مصنوعی و نرخ همکاری انسان و AI به عنوان عوامل کلیدی در شکل گیری تعامل شناخته شدند. مدل های پیش بینی نیز دقتی در حدود ۸۳ تا ۸۵ درصد به دست دادند. یافته ها نشان می دهد که پذیرش و همکاری میان انسان و هوش مصنوعی، نقش محوری در افزایش تعامل کاربران با محتوای دیجیتال دارند. نتایج خوشه بندی می تواند مبنایی برای طراحی استراتژی های هدفمند در صنایع رسانه ای باشد و مدل های ترکیبی یادگیری ماشین ابزار مناسبی برای پیش بینی تعاملات آینده فراهم می سازند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، تحلیل همبستگی ، الگوریتم های خوشه بندیK-Means ، DBSCAN ، OPTICS