核心理念：将“混沌”转化为“调查问卷”
想象一下，你想了解一群人对一项新的、令人畏惧的技术（比如人工智能）的看法。传统的做法是发送一份调查问卷。但调查问卷存在问题：它们成本高昂，人们可能会为了表现得更好而撒谎，而且你无法针对尚未发生的事情提问。
这篇论文的作者说：“等等，人们已经在网上讨论这件事了！”但问题在于：网络上的闲聊是混乱的。它充满了笑话、抱怨、跑题的故事和噪音。它不是一份干净整洁的调查问卷。
因此，作者发明了一种名为 TaDaS（文本即数据即调查问卷，Text as Data as Survey）的新工具。可以将 TaDaS 想象成一个智能翻译器。它将杂乱无章的网络文本转化为结构化、可靠的“调查问卷”，而无需向任何人提问。
TaDaS 如何运作： “图书馆与咖啡馆”类比
要理解他们是如何实现的，请想象两个不同的场所：
- 图书馆（“答案”语料库）： 这代表精英学术期刊。这里安静、有序，包含了专家们公认当前重要的“官方”研究课题。它就像是一张展示专业领域走向的地图。
- 咖啡馆（“问题”语料库）： 这代表 EJMR（经济学就业市场传闻），一个匿名的在线论坛，经济学家们在这里聊天、抱怨和辩论。这里嘈杂、混乱，充满了原始的情绪。
TaDaS 的处理流程：
- 第一步：绘制地图。 研究人员利用“图书馆”来绘制当前话题的地图。他们识别出地图上的特定区域，例如“人工智能”、“性别经济学”或“健康经济学”。
- 第二步：倾听咖啡馆。 他们提取来自“咖啡馆”的杂乱对话，并使用计算机大脑（AI）来确定每段对话属于地图的哪个部分。如果有人在谈论机器学习，系统就会将其标记为“人工智能”。
- 第三步：情绪评分。 一旦对话被标记，系统就会读取回复的语调。这个人是在好奇？是在愤怒？是在刻薄（有毒性）还是在困惑？系统会针对六种不同的情绪给出 0 到 1 之间的评分：开放度、负面性、毒性、傲慢、好奇心和困惑度。
他们的发现：“风暴开始，晴天结束”的模式
研究人员提出了一个简单的问题：经济学家对人工智能持开放态度吗？
他们发现了一个由两部分组成的故事：
- 静态视角（快照）： 如果你现在看一段关于人工智能的随机对话，它往往比其他话题的对话更暴躁。与“劳动经济学”等话题相比，当人工智能出现时，人们表现得更加消极、更加傲慢，且好奇心较低。这就像咖啡馆里的一个风暴天气。
- 动态视角（电影）： 这里有一个惊喜。随着人工智能在“图书馆”（精英期刊）中出现的频率增加，咖啡馆里的情绪实际上变得更好了。
- 当人工智能成为顶级期刊的热门话题时，论坛上的讨论变得更加开放且更具好奇心。
- 与此同时，讨论变得更少负面、更少毒性、更少傲慢，也更少困惑。
类比： 想象一下，一款新的、可怕的设备被推出了。起初，咖啡馆里的人在叫喊：“这是骗局！它会毁了我们！”（高负面性）。但随着这款设备开始出现在官方手册和新闻中（图书馆），叫喊声停止了。人们开始询问：“这东西是怎么工作的？”以及“我可以用它来做我的项目吗？”（高好奇心）。随着技术成为景观中正常的一部分，紧张感随之降低。
为什么这很重要
这篇论文证明了，你不需要通过付费让人们填写调查问卷来了解他们的感受。通过使用这种“文本即数据即调查问卷”的方法，你可以观察现有的文本档案，实时了解一个专业领域是如何应对变化的。
核心要点：
- 方法： 他们构建了一个将杂乱的网络评论转化为干净、可比数据的系统。
- 结果： 经济学家最初对人工智能反应是抵触且消极的。
- 趋势： 随着人工智能在顶级学术期刊中的可见度和认可度提高，这种抵触情绪会逐渐消退，对话变得更加建设性和具有好奇心。
- 时机： 这种转变发生在每个人开始亲自使用这些工具之前；它是由于该技术在专业领域领导者眼中变得“合法化”而驱动的。
简而言之，这篇论文表明，当一项新技术进入专业领域时，它始于一场争斗，但随着它成为官方“规则书”的一部分，争斗停止了，学习开始了。
技术摘要：“文本即数据即调查”（TaDaS）
问题陈述
用于衡量职业态度的传统调查面临显著约束：其成本高昂、更新缓慢、难以进行回顾性重建，并且容易受到自我呈现偏差（self-presentation bias）的影响，尤其是在涉及敏感或关乎地位的问题时。相反，虽然互联网提供了丰富的自然发生文本（帖子、评论、出版物）存档，但这些原始数据具有噪声大、结构弱、平台选择性强且缺乏研究者定义的提问框架等特点。因此，如何将非结构化文本转化为可比的、类调查式的态度度量，仍然是一个方法论上的挑战。本文旨在解决一个具体问题：如何衡量经济学家对人工智能（AI）的专业情绪，因为该话题的直接调查数据稀缺，且回顾性重建十分困难。
方法论：TaDaS 框架
本文引入了 TaDaS（Text as Data as Survey，文本即数据即调查），这是一个旨在通过跨数据集语义检索，将“问题语料库”与“答案语料库”相联系，从而将自然发生的文本转化为类调查证据的度量框架。该框架基于双重高效信息提取原则运行：
高效问题提取（问题语料库）：
- 数据来源： 问题语料库由来自 Economics Job Market Rumors (EJMR) 的 130 万条研究相关帖子组成，这是一个匿名的专业论坛。
- 筛选： 为了避免将焦点话题与无关的背景噪声进行比较，该框架采用层次密度聚类（HDBSCAN）对原始文本进行筛选。它保留了“焦点语义邻域”（例如 AI 相关讨论）及其直接的“比较邻域”，同时剔除了没有相邻研究主题的分支（例如关于食物或汽车的讨论）。
- 目标： 这构建了一个具有局部比较结构的经验问题集，减少了由稀疏性和信息量弱导致的测量误差。
高效答案提取（答案语料库）：
- 数据来源： 答案语料库包含 53,585 篇顶尖经济学与金融学出版物（ABS 4* 级）。这些出版物作为研究前沿的标记地图。
- 主题构建： 标题和摘要使用 All-RoBERTa Large v1 进行嵌入。高维向量通过 UMAP 进行压缩，并使用 HDBSCAN 进行聚类。利用类特定 TF-IDF (c-TF-IDF) 恢复集群层面的关键词，以定义 32 个不同的研究主题（如 AI、计量经济学、性别经济学）。
- 映射： 论坛帖子通过在共享语义空间中的余弦相似度，被投影到这些由出版物衍生的主题中心上。这产生了连续的主题暴露度量，而非硬性标签，允许一个帖子部分关联到多个维度（例如 AI 和机器学习）。
态度评分：
- 评分机制： 一旦论坛帖子经过筛选并映射到特定的主题方向，指令遵循解码器（Gemma 3 12B IT）会对回复进行评分。
- 维度： 模型生成 [0, 1] 范围内的有界得分，涵盖六个不同的态度维度：开放性（openness）、负面性（negativity）、毒性（poisonousness）、傲慢（arrogance）、好奇心（curiosity）和困惑（confusion）。
- 验证： 评分提示词的设计旨在与人类标注的直觉保持一致，能够区分建设性参与、断然拒绝、危言耸听以及中性的幽默。
实证应用与结果
该框架被应用于分析随着 AI 在精英期刊中可见度提升，经济学家的反应。研究构建了一个“AI 趋势”变量，代表精英语料库中 AI 相关出版物的年度强度。
- 横截面发现： 在静态比较中，与其他研究主题的讨论相比，EJMR 中与 AI 相关的讨论明显表现出较低的开放度和好奇心，以及更高的负面性、傲慢度和毒性。这表明存在一种选择性的专业抵制基调。
- 动态交互发现： 核心分析将论坛端的 AI 暴露度与出版端的 AI 趋势进行交互。结果显示，随着 AI 在精英期刊中的可见度增加，所有六个维度都出现了向好的转变：
- 正面转变： 开放性和好奇心增加。
- 负面转变： 负面性、毒性、傲慢和困惑度降低。
- 解释： 随着 AI 在正式研究前沿的可见度提高，专业话语的基调从抵制转向了参与和适应。
稳健性检验
论文通过以下几项严格测试验证了其发现：
- 比较基准： 使用“平台经济学”（一个技术邻近话题）和“性别经济学”（一个社会话题）替换 AI，结果显示“平台经济学”表现出类似的趋主流化效应，而“性别经济学”并未复制这种六维度的正面转变，这表明 AI 的轨迹在其作为研究对象和研究工具的双重属性下是独特的。
- 扩展控制变量： 模型在同时控制全部 32 个主题暴露度、趋势及交互项的情况下进行了重新估计。AI 的正面交互作用依然稳健，排除了该结果仅仅是作为一般性前沿变化的代理变量的可能性。
- 2023 年前限制： 剔除了 2023 年之后（ChatGPT 公开发布后）的观测值。在 2023 年前的样本中，正向的交互模式依然存在，这表明该结果并非完全是由用户对生成式 AI 工具的直接熟悉度驱动，而是由其与出版端可见度的协同运动所驱动。
主要贡献与意义
本文声称在方法论和实质内容两个领域均具有重要意义：
- 方法论贡献： TaDaS 提供了一种可扩展的架构，用于从现有的文本存档中恢复回顾性的、非反应性的专业情绪度量。它弥合了非结构化文本与类调查证据之间的鸿沟，无需收集新数据，解决了传统调查在成本、速度和自我呈现偏差方面的局限性。
- 实质性贡献： 研究记录了对 AI 的专业抵制并非静态的。研究发现，随着 AI 在高地位学术出版物中的可见度增加，匿名论坛中的专业话语基调变得更加开放且不再那么具有攻击性。这表明，精英期刊的认可可能作为一种机制，降低了专业社群围绕新技术的紧张关系。
- 适用范围： 该框架被呈现为具有通用性，能够将专业论坛与专利、政策文件或产品评论相联系，以研究思想和技术在不同领域间的扩散。
文章总结道，虽然 EJMR 并非所有经济学家的代表性调查，但只要侧重于观察重复出现的讨论模式而非平均私人信念，它便是一个用于大规模观察地位焦虑、守门行为（gatekeeping）和适应过程的宝贵行为档案。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。