Predicting consumer-technology ownership without a diffusion history
本文表明，由人类和前沿语言模型共同评分的消费者技术感知属性，与发布时期的基准相比，可以显著提高对所有权普及率的预测能力，尽管这种优势在所有权趋势保持不变的短期预测中会减弱。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名试图在犯罪发生之前就破解谜团的侦探。在技术领域，这是终极挑战：预测一款全新的小工具会成为家喻户晓的必备品，还是会在抽屉里吃灰。通常，专家们试图通过观察过去类似产品的表现来做出猜测，就像试图通过观察昨天的云来预测今天的天气。但如果这款小工具如此之新，以至于从未有过类似的东西呢？那里没有云可以观察。这就是“发布前”难题。为了解决这个问题，科学家们使用了一个名为 UTAUT2 的框架，这基本上是一份关于人们对新工具产生七种感觉的清单：它有用吗？它好用吗？我的朋友们觉得我应该拥有它吗？它有趣吗？它的成本太高了吗？如果我们能衡量这些感觉，也许我们就能在不需要水晶球的情况下预测未来。
这篇论文是关于测试一种新型水晶球的研究。研究人员想要看看，是否只需询问某种技术的“人格特质”（即 UTAUT2 的感受），而无需了解该产品自身的销售历史，就能预测会有多少人拥有它。他们收集了一份包含 65 种不同小工具的名单，从智能手表到厨房工具，并请两个不同的群体进行评分：真实的人类和超级智能的计算机程序（人工智能语言模型）。人类是在网上接受调查的普通人，而计算机则是两款名为 Claude Opus 4.7 和 GPT-5.5 的最先进的人工智能模型。
随后，团队构建了一个数学配方，以观察这些评分能否预测实际的拥有量。他们玩了一场数据的“捉迷藏”游戏：从名单中拿出一个小工具，尝试利用其他 64 个小工具的评分来猜测其受欢迎程度，然后检查自己是否猜对了。结果令人惊讶。当计算机进行评分时，它们比人类更擅长猜测受欢迎程度。Claude Opus 4.7 模型产生的误差比基于技术成熟度进行的简单猜测要小 17%，并且显著优于人类的评分。GPT 模型也比人类表现得更好，尽管不及 Claude 那么出色。
然而，故事中有一个转折。虽然属性评分在预测一个产品当前有多受欢迎方面表现出色，但在预测其受欢迎程度如何随时间变化方面却失败了。当研究人员观察 2022 年到 2025 年间拥有量数量的变化时，这些评分完全没有帮助。事实上，仅仅猜测“不会有任何变化”与使用那些高级 AI 评分一样准确。这表明，虽然我们可以利用这些特质来捕捉一个产品的当前成功状态的快照，但它们还不够神奇，无法告诉我们一个工具在未来几年内是会蓬勃发展还是会销声匿迹。
研究人员还必须小心 AI 可能玩的一个狡猾把戏。由于 AI 是基于互联网数据进行训练的，它可能已经“知道”哪些小工具已经出名，并只是假装根据它们的特质进行评分，而实际上它只是在回忆答案。他们进行了专门的测试来检查这一点，虽然他们无法证明 AI 没有利用其记忆，但证据表明它是在进行推理工作而非仅仅是背诵事实。
最后，这篇论文展示了一种预测技术未来的一种充满希望的新方法。通过让 AI 根据“它有多有趣”或“它有多易用”等因素对新产品进行评分，我们可以得到一个关于有多少人会拥有它的相当准确的猜测。然而，这项研究的核心结果适用于那些已经在市场上的技术，因为 AI 可以利用其训练数据来对其特质进行推理。对于那些已经被市场评判过的产品，这是一个非常敏锐的工具；但这种方法是否真的能在任何人都见过或拥有它之前，就预测出该小工具的成功，仍然是下一个重大问题。这就像拥有一台非常清晰的相机，它能准确告诉你一辆汽车今天的样子，但它仍然无法告诉你这辆车明天是否会赢得比赛。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。