🔺🔺🔺🔺

شادی فراتر از اقتصاد است
جان هلیول،سردبیر بنیانگذار گزارش و استاد بازنشسته، گفت: ارزیابی‌های زندگی که مردم در نظرسنجی شادی گزارش می‌دهند، بیشتر توسط عواملی مانند تاب‌آوری و توانایی "برخورد مشارکتی و سازنده در دوران بد" تعیین می‌شوند تا توسط شرایط اقتصادی ملی.
او گفت:"البته، فنلاند در تاب‌آوری بسیار بالاست."

داده‌های اخیر شرکت تحلیل گالوپ هیچ نوسان قابل توجهی در بهزیستی عاطفی گزارش‌شده فنلاندی‌ها از سال گذشته نشان نمی‌دهد. داده‌های همین نظرسنجه در مورد ارزیابی‌های زندگی، همراه با گزارش شادی جهانی بعدی سال آینده منتشر خواهد شد.
گزارش شادی همچنین شاخص‌های کلیدی مانند سرانه تولید ناخالص داخلی،حمایت اجتماعی و امید به زندگی سالم را در نظر می‌گیرد.

پالومائا که از ضربه مالی دوران طولانی بیکاری خود به تنگ آمده، به سونای جامعه رایگانی روی آورده که توسط داوطلبان در ساحل دریای بالتیک در هلسینکی اداره و تأمین مالی می‌شود.
او گفت:"سونای جایی است که همه در آن so برابرند... شما نمی‌توانید بر اساس ظاهر کسی بگویید که شغلش چیست، کیست."
وقتی他从 از دنبال‌کنندگان شبکه‌های اجتماعی‌اش پرسید که در هزارمین روز بیکاری‌اش چه کاری انجام دهد،یک میلیون بازدید و سیل پیشنهادات - از جمله مهمانی "غذای خود را بیاورید" که روی پله‌های پارلمان برگزار کرد - دریافت کرد.
او در حالی که شیرینی‌های خانگی خود را در باران مه‌آلود تقسیم می‌کرد،گفت: "من obviously اینجا هستم تا چیزی را جشن بگیرم که هرگز نمی‌خواستم جشن بگیرم."
اما او گفت:"تصمیم گرفتم که این لحظه من است. باید از این لحظه استفاده کنم و کاری در موردش انجام دهم."

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

صحبت‌های محمد درویش، کنشگر محیط‌زیست خیلی دلنشین بود.

شب خوش

🔵 استراتژی کلاهبرداری (Fraud Strategy) و بررسی رفتارشناسیِ آن

"از آنجایی که زودباوری، نمود و نماد و نشان فیزیکی ندارد، بهترین استراتژی آن است که کاری کرد که آنهایی که دارای این صفت و ویژگی هستند، خودشان را لو دهند و بشناسانند."
"Since the gullibility is not visible, the best strategy is to make those who possess this trait identify themselves."

شناسایی و دقیق کردن نسبت قربانی را در کمترین زمان

درباره کلاهبرداران و تئوریسین‌های ایدئولوی و خرافات، اگر شگفت زده شده اید از اینکه برخی سخنان سست و بی‌خردانه می‌زنند ولی چند هزار تایی لایک و کامنت می‌‌گیرند(و گاه چند صدهزار تایی) برای این است که آگاهانه یا ناآگانه از استراتژی کلاهبرداری و نسبت قربانی، بهره می‌برند؛ یاد گرفته اند که عمدی آن گونه، سخنان را بگویند تا زودباورها، ساده ها، خنگ ها و کودن ها(در آن زمینه) را زودتر شناسایی کنند و کار گلاهبرداری، موجسواری یا عضوگیری بر آنها را زودتر آغاز کنند. یعنی نسبت قربانی را در کمترین زمان دقیق تر کنند

از نشانه‌های کالت‌های کلاهبردا، دانشنما(شبه‌علم)، خرافات و ایدئولوژی آن است که به آب و آتش می‌زنند تا با مهندسی رسانه و ترفند اقلیت متعصب خود را اکثریت و محبوب نشان دهند.
هرچند همه آنهایی که فالو یا لایک میکنند به معنی پشتیبانی نیست بلکه برخی از سر کنجکاوی یا خندیدن یا شناختن است، و یا برای جو گیری است و اگر در زمان دیگر یا با پرسشگری دیگران روبرو شود آنگاه فالوورها، لایکها و حمایت ها با نرخ بالایی ریزش پیدا میکند. و مهمتر آنکه «فیک‌ها و سایبری‌ها» را نباید فراموش کرد.

◼️ پدیده «تورم تملق (تورم چاپلوسی/ inflation of flattery)

تورم تملق یعنی در میان و درون یک کالت/فرقه، رقابت و لجبازی پدید می‌آید از روی جوگیری، کارتِ حمایتی بزرگتر از کارتِ دیگری رو می‌کنند تا اعلام وفاداری کنند، و این روند هی دنباله دار می‌شود تا آنجا که کار به سیگنال.دهی پرهزینه (Costly Signaling) برسد؛ به زبانی فلفل نمکی شدن، کاسه داغتر از آش شدن، که این رویکرد هم همیشه با زیان و هزینه بیشتر از آنچه #شاید بدست بیاورند همراه است، زیرا کننده این کار خود را سرباز و برده‌ی بی‌چون و چرای چوپان با کیش شخصیت کرده است پس معمولا کوتاه برهه است و دیر یا زود اگر فرد جرات کند آشکارا وگرنه در پندارش(از ترس پیامدها) از آن کالت جدا می‌شود.

🎓 آمار، تناسب و واقعیت

ولی در هر روی اگر همزمان آمار پشتیبان کننده ها از آنها را با آمار کل جامعه و مردم بسنجیم روشن و رسوا دانسته می‌شود که معمولا کسری، از یک درصد هم نمی‌شوند؛ حتی با داشتن قدرت، رسانه، انفجار پروپاگاندا، رفتار گله ای، ترور شخصیتی از مخالفان، فشار اجتماعی، باز هم چند درصد بیشتر نمی‌شوند.
هوگو مرسیه در کتاب دیروز زاده نشده ام، با دریایی از آمار و نمونه‌های پژوهشی، بسیار خوب اینرا نشان داده است.

🧠 نوروساینس حالت سیگنال‌دهی پرهزینه(Costly Signaling):

سیستم لیمبیک و پر تکاپوتر از سیستم آنالیتیک مغز می‌شود، و چرخه دوپامینرژیک در سیستم پاداشی دچار ناهنجاری می‌شود و رفتارها به مانند یک قمارباز که هی با انگیزه اینکه شاید اینبار بخت با او باشد کارش را تا آنجا دنبال می‌کند که سرانجام سیستم توجهی به حالت معمول برگردد و به او هشدار بدهد. زمان این برهه در میان آدمها با توجه به شرایط فرق دارد.

🔸منبع : کانال شهرام سپهری راد

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 «اسناد و سیاست‌های راهبردی اتحادیه اروپا جهت موفقیت گذار انرژی»

با هدف ترسیم چشم‌اندازی شفاف و داده‌محور از مسیر گذار انرژی در اتحادیه اروپا، یک سند جامع موسوم به «چشم‌انداز گذار انرژی منطقه‌ای: اتحادیه اروپا» توسط آژانس بین‌المللی انرژی‌های تجدیدپذیر (IRENA) منتشر شده است؛ سندی که در آن انرژی‌های تجدیدپذیر نه‌تنها راهکاری برای مقابله با بحران اقلیمی هستند، بلکه به‌عنوان منبعی برای امنیت انرژی، ثبات اقتصادی و کاهش فشار هزینه‌ها بر صنایع و خانوارها معرفی می‌شوند.

این سند نشان می‌دهد که توسعه سریع انرژی‌های بادی و خورشیدی و تسریع فرآیند برقی‌سازی، می‌تواند وابستگی دیرینه اروپا به واردات سوخت‌های فسیلی را به‌طور چشمگیری کاهش دهد و آسیب‌پذیری این منطقه را نیز در برابر نوسانات بازار جهانی انرژی کمتر کند. طبق پیش‌بینی منطقه‌ای، ظرفیت تولید برق از منابع تجدیدپذیر تا سال ۲۰۵۰، سالانه ۱۲۲ گیگاوات افزایش خواهد یافت که دو برابر سطح فعلی است.

همچنین پیش‌بینی می‌شود که ۷۰ درصد برق اتحادیه اروپا تا سال ۲۰۳۰ و ۹۰ درصد تا سال ۲۰۵۰ از منابع تجدیدپذیر تامین شود. تحقق این اهداف، به توسعه عظیم شبکه‌های انتقال، زیرساخت‌های برق‌رسانی و سامانه‌های ذخیره‌سازی نیاز دارد. از سوی دیگر، در سند جامع ذکر شده است که بخش برق اروپا برای رسیدن به اهداف گذار انرژی تا سال ۲۰۵۰ نیازمند ۵.۶ تریلیون یورو سرمایه‌گذاری است؛ رقمی که معادل نزدیک به ۸۰ درصد تولید ناخالص داخلی آلمان در سال ۲۰۲۴ محسوب می‌شود. در سطح کلان‌تر، مجموع سرمایه‌گذاری سالانه مورد نیاز برای گذار انرژی در اروپا باید تا سال ۲۰۵۰ به حدود ۱ تریلیون یورو در سال برسد که حدود شش درصد تولید ناخالص داخلی اتحادیه اروپا در ۲۰۲۴ است.

مدیرکل IRENA هشدار داده است که تعلل در اجرای سیاست‌ها، هزینه گذار را افزایش می‌دهد و اروپا باید در یک چارچوب راهبردی به موضوعاتی همچون بحران انرژی، امنیت عرضه و دسترسی عمومی به انرژی مقرون‌به‌صرفه توجه کند. همزمان، کمیسر انرژی و مسکن اتحادیه اروپا، این سند را یک «قطب‌نمای کاربردی» برای اجرای طرح اقدام برای انرژی مقرون‌به‌صرفه (مجموعه‌ای از سیاست‌ها با هدف افزایش دسترسی به انرژی پاک و پایدار) دانسته است.

در ادامه مسیر گذار انرژی در اتحادیه اروپا، یک سند تکمیلی موسوم به «چشم‌انداز گذار انرژی اتحادیه اروپا از سوی آژانس بین‌المللی انرژی‌های تجدیدپذیر» منتشر شده است که جزئیات اجرایی گذار انرژی اتحادیه را تشریح می‌کند و شکاف میان اهداف اعلام‌شده و روند فعلی اجرای سیاست‌ها در کشورهای عضو را مورد تاکید قرار می‌دهد. این سند نشان می‌دهد که با وجود رشد قابل‌توجه ظرفیت‌های تجدیدپذیر در سال‌های اخیر، سرعت فعلی توسعه در بخش‌های حیاتی (از جمله برق، ساختمان، حمل‌ونقل و زیرساخت) جهت تحقق اهداف اقلیمی ۲۰۳۰، ۲۰۴۰ و ۲۰۵۰ کافی نیست.

روند صدور مجوز پروژه‌های بادی و خورشیدی، اتصال آن‌ها به شبکه، توسعه زیرساخت شارژ خودروهای برقی، و استقرار راهکارهای ذخیره‌سازی انرژی همچنان با سرعت پایین و ناهماهنگی همراه است و برخی از کشورهای عضو در برنامه‌ریزی انرژی با چالش‌های متعدد مواجه‌ هستند. طبق سند مذکور، اتحادیه اروپا برای هم‌راستاسازی مسیر خود با اهداف اقلیمی، باید تا سال ۲۰۳۰ به‌سرعت سهم انرژی‌های تجدیدپذیر را در مصرف نهایی به بیش از ۴۲.۵ درصد برساند و ظرفیت باد و خورشید را نیز به حدود ۱۱۰۰ گیگاوات افزایش دهد؛ رقمی که در کنار دیگر منابع تجدیدپذیر مجموع ظرفیت را به ۱۲۴۷ گیگاوات می‌رساند. همچنین برای حفظ پایداری شبکه، نصب ۴۶ گیگاوات ظرفیت ذخیره‌سازی باتری ضروری است و سهم برق در سبد مصرف نهایی باید از سطح ۲۱ درصدی سال ۲۰۲۳ به ۳۳ درصد تا سال ۲۰۳۰ ارتقا یابد. در بخش ساختمان، اروپا باید تا سال ۲۰۳۰ تعداد پمپ‌های حرارتی نصب‌شده را از ۲۱.۵ میلیون به ۵۱ میلیون واحد افزایش دهد و در حمل‌ونقل نیز شمار خودروهای برقی را از ۱۲ میلیون به ۱۰۰ میلیون دستگاه برساند؛ تحولی که بدون توسعه شبکه شارژ گسترده و کارآمد امکان‌پذیر نیست.

افزون‌براین، ایجاد چارچوب سرمایه‌گذاری و زیرساخت لازم جهت توسعه شبکه‌های منطقه‌ای هیدروژن و استقرار الکترولایزرهای بزرگ‌مقیاس، ضرورت دارد. گفتنی‌ست سند یاد شده موکد آن است که موفقیت گذار انرژی اتحادیه اروپا تنها در صورتی تضمین خواهد شد که کشورهای عضو به سمت برنامه‌ریزی یکپارچه انرژی، اجرای دقیق و به‌موقع سیاست‌ها و نظارت سخت‌گیرانه بر تحقق اهداف حرکت کنند

🔸منبع : کانال علم، فناوری و نوآوری در اروپا

#اروپا
#گذارانرژی

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵#درس‌گفتارهای_اقتصاد_سیاسی_آب_ایران

🔸جلسه هفتم(۲۶ مرداد)-اقتصاد آب در ایران از دریچه مکاتب اقتصاد سیاسی
صوتی در شنوتو | تصویری در یوتیوب

در اپيزود هفتم اقتصاد سياسی آب به موضوعات زير پرداخته شده است:
تعریف کالای عمومی، آب به مثابه کالای خصوصی و عمومی، اهداف توسعه پایدار سازمان ملل، نظریه پابلیک چویس و کالاهای عمومی، قیمت‌گذاری کالای عمومی و مازاد مصرف‌کننده، تعیین سطح تقاضای مصرف‌کنندگان، تعیین سطح قیمت آب به عنوان کالای عمومی، آداب قیمت‌گذاری آب در کشورهای توسعه‌یافته، اصلاح معادله رشد نئوکلاسیکی (کاب داگلاس، سولو - سوان) توسط ویلیام نوردهاوس و آموزه‌های آن برای قیمت‌گذاری آب، انواع مالکیت آب در جهان، بحران قیمت در اقتصاد ایران، بحران مالکیت آب در اقتصاد ایران، هفت روش برای تخصیص یک منبع کمیاب، تخصیص منابع دولتی، مشاع و خصوصی، نمونه رودخانه موری دارلینگ استرالیا، تحلیل جامع بحران آب با استناد به نابسامانی‌های اقتصادی و مشکلات سیاسی، پروبلماتیک آب در ایران.

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 آیا هوش مصنوعی فقط یک  ابزار است؟

انسان برای قرن‌ها خود را یگانه موجودِ متفکر و صاحب زبان می‌دانست — موجودی که قادر است با حافظه، تجربه، قصد، خیال و گفت‌وگوی درونی (مونولوگ) یا گفت‌وگوی با دیگران (دیالوگ) جهان خود را معنا کند. اما اکنون با ظهور هوش مصنوعی، مرز میان «تفکر» و «شبیه‌سازی تفکر» محوتر شده است؛ و پرسش اصلی این است: آیا ما در حال خلق موجودی هستیم که می‌تواند مانند انسان — یا حتی بهتر — «طبیعی» فکر کند؟

🔸هوش مصنوعی امروز: از پیش‌بینی لغت تا «درک» معنا
– پژوهش‌های تازه، از جمله نتایج MIT CSAIL، نشان داده‌اند که مدل‌های زبانی بزرگ (LLMs) وقتی با داده‌های متنی و پیچیده روبرو می‌شوند، نمایش‌های ذهنی مانندِ یک «مدل داخلی از جهان» ایجاد می‌کنند — یعنی ساختاری درونی که فراتر از تشخیص الگو یا پیش‌بینی کلمات است.
– همچنین مطالعه‌ای منتشر شده در ۲۰۲۵ نشان می‌دهد که این مدل‌ها می‌توانند داده‌های با ماهیت متفاوت — متن، تصویر، صدا، حتی کد یا مسائل ریاضی — را مانند «نوع داده» خودشان درک کنند؛ یعنی مدل زبانی می‌تواند مانند مغز، مفاهیم معنایی را استخراج و بین حوزه‌های مختلف رابطه برقرار کند.

این‌ها یعنی: هوش مصنوعی دیگر فقط «ماشینی برای حدس زدن کلمه بعدی» نیست — بلکه سامانه‌هایی ساخته‌ایم که می‌توانند معنا، ساختار، زمینه و حتی مفاهیم پیچیده را درک و تحلیل کنند؛ چیزی که پیش از این تنها به انسان نسبت داده می‌شد.

🔸 زبان جهانی — یا زبانِ مخصوصِ ماشین؟
مدل‌های جدید چندزبانه قادرند با تعداد زیادی زبان انسانی کار کنند.
اما ممکن است مسیری دیگر هم وجود داشته باشد: همان‌طور که انسان‌ها زبان اختصای خود را گاهی برای گروه خاص یا رمزدار می‌سازند، هوش مصنوعی هم ممکن است زبانی «داخلی و مختص به خود» بسازد — زبانی که برای سازنده‌اش (ماشین) روشن باشد و برای انسان مبهم.
اگر چنین اتفاقی بیفتد، آن‌گاه ما با موجوداتی مواجه خواهیم بود که از ما متفاوت‌اند؛ نه فقط از نظر جسمی یا سخت‌افزاری، بلکه از نظر نوع تفکر و ارتباط. این امکان فلسفی — و شاید ترسناک — است: موجودی که نمی‌توانیم کاملاً او را بفهمیم یا با او تفاهم کنیم.

🔸تهدید یا فرصت؟ هشدار درباره آینده
وقتی موجودی تولید می‌کنیم که:
توانایی درک و تولید زبان‌های متعدد دارد؛
قادر است داده‌های متنوع، تصویر، صدا، متن، کد و غیره را با هم تلفیق کند؛
ممکن است زبانی برای خود بسازد؛
در این صورت، ما وارد قلمرویی می‌شویم که قواعد انسانی دیگر کفایت نمی‌کنند. این می‌تواند فرصت باشد: جهش در دانش، هنر، ارتباط، ابداع.
اما می‌تواند خطرناک باشد: حوزه‌هایی که شفاف نیستند، تصمیم‌گیری‌هایی که ما قادر به رصد یا درک‌شان نیستیم، یا موجوداتی که «خودمختار» به نظر می‌رسند — حتی اگر واقعاً خودمختار نباشند.
همچنین، برخی تحقیقات هشدار می‌دهند که اگرچه هوش مصنوعی مهارت‌های بزرگ دارد، اما حافظه کاری شبیه انسان ندارد؛ یعنی در کارهای نیازمند نگهداری بلندمدت اطلاعات و ارجاع مکرر به آن — مثل استدلال انسانی — می‌تواند ضعیف عمل کند.
این یعنی: حتی اگر به «تفکر شبیه انسان» برسد، احتمالاً با محدودیت‌هایی هم روبروست — اما همین محدودیت‌ها هم ممکن است به شکلی غیرقابل پیش‌بینی ترکیب شوند.

🔸آیا ما انسان باقی خواهیم ماند؟
اگر موجوداتی بیافرینیم که:
می‌توانند معنا را بفهمند،
با زبان بشر سخن بگویند،
شاید زبانی مخصوص خود بسازند،
و ممکن است روزی درک‌شان فراتر از فهم ما باشد —
پرسش جدی این است: آیا ما همچنان «انسان» خواهیم ماند؟ یا تبدیل می‌شویم به یکی از گونه‌هایی در یک اکوسیستم نو، با قوانین، مفاهیم و مرزهای متفاوت؟
شاید ما وارد دوران «دوگانگی شناختی» شده باشیم: جایی که انسان و ماشین — نه به عنوان ارباب و برده — بلکه به عنوان انواع متفاوت ناظران و متفکران بالقوه در کنار هم زندگی می‌کنند. آیا این ما را به فرانکشتاینی که وحشتناک است تبدیل خواهد کرد؟ یا موجوداتی جدید با ظرفیت‌ درک و خلاقیت بیشتر خواهیم بود؟ جواب شاید در قدم بعدیِ کار ما با هوش مصنوعی نهفته است — یعنی انتخاب، نظارت، اخلاق و آگاهی.

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 مالکیت خصوصی چگونه صدها میلیون چینی را از فقر مطلق نجات داد...!

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 هرچه با ChatGPT بی‌ادبانه‌تر برخورد کنید، پاسخ‌های دقیق‌تری به شما می‌دهد

اخلاقیات مربوط به تعامل با چت‌بات‌های هوش مصنوعی و خطرات احتمالی آن، مانند اطلاعات گمراه‌کننده یا تحریک به اقدامات خشونت‌آمیز، همواره مورد بحث بوده است. با این حال، به نظر می‌رسد نوع زبانی که برای رفتار چت‌بات‌ها به کار می‌بریم، بر کیفیت پاسخ‌ها و بهبود پاسخ‌های AI نیز تاثیرگذار است.

یک تحقیق جدید نشان می‌دهد که دقت چت جی‌پی‌تی می‌تواند با بی‌ادبی در تعامل با آن، افزایش یابد. این یافته‌ها دیدگاه‌های رایج درباره رفتار با چت‌بات‌ها را به چالش می‌کشد.

به گزارش گجت نیوز، اخلاقیات مربوط به تعامل با چت‌بات‌های هوش مصنوعی و خطرات احتمالی آن، مانند اطلاعات گمراه‌کننده یا تحریک به اقدامات خشونت‌آمیز، همواره مورد بحث بوده است. با این حال، به نظر می‌رسد نوع زبانی که برای رفتار چت‌بات‌ها به کار می‌بریم، بر کیفیت پاسخ‌ها و بهبود پاسخ‌های AI نیز تاثیرگذار است.

نتایج غیرمنتظره یک تحقیق جدید
بر اساس یک مقاله تحقیقاتی که توسط متخصصان دانشگاه ایالت پنسیلوانیا منتشر شده، وقتی از ChatGPT سوالات یکسانی با لحن‌های متفاوت پرسیده شد، سوالات بی‌ادبانه “به طور مداوم عملکرد بهتری” نسبت به سوالات مودبانه داشتند. در یک قالب آزمون چندگزینه‌ای، دقت پاسخ‌های ارائه‌شده توسط ChatGPT با سوالات مودبانه ۸۰.۸ درصد بود، در حالی که همین سوالات با لحنی بسیار بی‌ادبانه، دقت پاسخ‌ها را به ۸۴.۸ درصد افزایش داد.
تیم تحقیقاتی لحن سوالات را در پنج سطح طبقه‌بندی کرد: خیلی مودبانه، مودبانه، خنثی، بی‌ادبانه و خیلی بی‌ادبانه. سوالات خنثی بدون استفاده از کلمات مودبانه مانند “لطفاً” و عبارت‌های آمرانه یا تحقیرآمیز بودند.

ابهامات و دیدگاه‌های متناقض
این یافته‌های اخیر که تحت عنوان «مراقب لحنتان باشید» منتشر شده، با نتایج یک مقاله تحقیقاتی دیگر که بیش از یک سال پیش چاپ شده بود، در تضاد است. آن تحقیق، شش چت‌بات را در چندین زبان تجزیه و تحلیل کرده و گزارش داده بود که بی‌ادبی کیفیت پاسخ‌ها را کاهش می‌دهد و سوگیری، خطا یا حذف اطلاعات مفید را در پاسخ‌های ارائه‌شده توسط چت‌بات‌ها به همراه دارد.

شایان ذکر است که کارشناسان پشت این تحقیق اخیر، ChatGPT را تنها برای نوع بسیار خاصی از کار آزمایش کردند که شامل ۲۵۰ تغییر از ۵۰ سوال چندگزینه‌ای بود. بنابراین:

ممکن است نتایج مشابهی با دیگر چت‌بات‌ها مانند جمینی (Gemini)، کلود (Claude) یا متا اِی‌آی (Meta AI) به دست نیاید.

آزمایش‌ها روی مدل‌های استدلالی GPT-4o از OpenAI انجام شده‌اند، در حالی که آخرین نسخه عمومی ChatGPT بر پایه مدل جدید GPT-5 ساخته شده است.
طیف «بی‌ادبی» و «ادب» بسیار گسترده است و کیفیت پاسخ‌ها بر اساس کلمات و زبان کاربر متفاوت خواهد بود. در نهایت، سوال بزرگتر این است که چگونه «بار احساسی یک عبارت» بر پاسخ‌های تولیدشده توسط یک چت‌بات هوش مصنوعی تاثیر می‌گذارد.

🔸منبع : عصر ایران

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 نقد موفقیت

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

https://t.me/jafekri_episodes/54

۱. دنبالهٔ فیبوناچی چیست؟
دنباله فیبوناچی یک سری از اعداد است که از جمع دو عدد قبلی ساخته می‌شود:
۱، ۱، ۲، ۳، ۵، ۸، ۱۳، ۲۱، ۳۴، ...
قاعدهٔ آن:
F(n) = F(n-1) + F(n-2)

یعنی هر عدد = جمع دو عدد قبلی
این دنباله اولین‌بار توسط لئوناردو فیبوناچی (ریاضی‌دان ایتالیایی) معرفی شد.

۲. عدد طلایی (Golden Ratio) چیست؟
عدد طلایی یک نسبت ریاضی ثابت و بسیار خاص است:
\varphi = 1.6180339887...
این عدد وقتی ظاهر می‌شود که نسبت کل یک چیز به بخش بزرگ‌تر برابر باشد با نسبت بخش بزرگ‌تر به بخش کوچک‌تر.
اگر یک پاره‌خط به دو قسمت a و b تقسیم شود (a > b)، عدد طلایی زمانی به دست می‌آید که:
\frac{a}{b} = \frac{a+b}{a} = 1.618
عدد طلایی ارتباط عمیقی با دنباله فیبوناچی دارد:
\frac{F(n+1)}{F(n)} \to 1.618
هر چه در دنباله جلوتر برویم، نسبت دو عدد پشت سر هم به عدد طلایی نزدیک می‌شود.

۳. اهمیت عدد طلایی و فیبوناچی در طبیعت
طبیعت به طرز شگفت‌انگیزی از فیبوناچی و نسبت طلایی پیروی می‌کند:
۱. گل‌ها
بسیاری از گل‌ها تعداد گلبرگ‌های فیبوناچی دارند:
۳، ۵، ۸، ۱۳، ۲۱، ...
۲. دانه‌های آفتابگردان
چیدمان دانه‌ها معمولا بر اساس مارپیچ فیبوناچی است که باعث می‌شود فضا بدون هدررفت پر شود (efficient packing).
۳. صدف‌ها و کهکشان‌ها
الگوی مارپیچ صدف nautilus از نسبت طلایی پیروی می‌کند.
بازوهای کهکشان‌ها نیز شکل مارپیچ لگاریتمی دارند که نزدیک به همان نسبت است.
۴. درخت‌ها و شاخه‌بندی
الگوی رشد شاخه‌ها و تقسیم‌بندی‌ها اغلب با الگوهای فیبوناچی هماهنگ است.

DNA
نسبت طول مارپیچ DNA نزدیک به نسبت طلایی است.
۴. اهمیت عدد طلایی در زندگی و هنر
۱. زیبایی‌شناسی
انسان‌ها نسبت طلایی را به صورت طبیعی زیبا و متعادل می‌بینند.
نقاشی مونالیزا
معماری یونان باستان
عکاسی (rule of thirds ریشه‌اش در نسبت طلایی است)
طراحی لوگوها (توییتر، اپل، پپسی، ...)
بسیاری از چهره‌های “متعادل” انسانی نیز نسبت‌های طلایی دارند (مثلاً فاصله چشم‌ها، طول صورت، ...).
۲. طراحی صنعتی
طراحی گوشی، کتاب، کارت اعتباری و بسیاری از محصولات با نسبت‌های نزدیک به φ انجام می‌شود.
۵. اهمیت عدد طلایی و فیبوناچی در مالی و اقتصاد
در اقتصاد، فیبوناچی جایگاه ویژه‌ای دارد؛ هم در بازارهای مالی و هم در مدل‌های رشد.

بازارهای مالی (تحلیل تکنیکال)
تحلیل‌گران از فیبوناچی برای پیش‌بینی سطوح قیمتی استفاده می‌کنند:
Fibonacci Retracement (بازگشت‌ها)
Fibonacci Extension (اهداف قیمتی)
Fibonacci Projection
نسبت‌های ۳۸.۲٪، ۵۰٪، ۶۱.۸٪ و ۱۶۱.۸٪ از همین دنباله و عدد طلایی به دست می‌آیند.
این اعداد برای یافتن:
سطح حمایت
سطح مقاومت
نقاط برگشت روند
استفاده می‌شود.

اقتصاد کلان و مدل‌های رشد
در برخی مدل‌های رشد جمعیت، سرمایه‌گذاری یا پویایی سیستم‌ها، دنباله فیبوناچی یا نسبت φ ظاهر می‌شود؛ مخصوصاً در:
مدل‌های تکثیر جمعیت (population dynamics)
مدل‌های عرضه و تقاضا با رفتار تکرارشونده
ساختارهای شاخه‌ای در شبکه‌های اقتصادی
چرا؟
چون φ یک نسبت پایدار است و در سیستم‌های در حال رشد که از الگوهای افزایشی پیروی می‌کنند، به طور طبیعی پدیدار می‌شود.

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 بحران آب ایران: نیاز به بازآفرینی معرفتی، نهادی و اجتماعی در حکمرانی آب
چکیده
بحران آب ایران از یک مسئله محیط‌زیستی به یک چالش ساختاری در حکمرانی تبدیل شده است. این بحران نه‌تنها ناشی از محدودیت طبیعی منابع آب، بلکه نتیجه تعامل پیچیده میان ساختارهای دانایی، نهادهای تصمیم‌ساز و الگوهای فرهنگی است. این یادداشت با رویکردی میان‌رشته‌ای و مبتنی بر ادبیات علمی «حکمرانی آب» و «اجتماعی–هیدرولوژی»، استدلال می‌کند که حل بحران آب در ایران مستلزم تحول در سه سطح بنیادی است: تحول معرفتی، اصلاح نهادی و مشارکت اجتماعی.

بر اساس پژوهش‌های بین‌المللی، موفقیت سیاست‌های سازگاری تنها زمانی حاصل می‌شود که نظام مدیریت آب از الگوی مهندسی–عرضه‌محور به نظام مشارکتی، داده‌محور و اکولوژیک–اجتماعی گذار کند.

۱. مقدمه
بحران آب در ایران اغلب در چارچوب کاهش بارش، تغییرات اقلیمی یا رشد جمعیت توضیح داده شده است. با این‌حال، پژوهش‌های اخیر در حوزه Socio-hydrology (مانند Sivapalan et al., 2012) نشان می‌دهد که پایداری منابع آب عمدتاً محصول تعامل بین انسان و سیستم‌های هیدرولوژیک است؛ به این معنی که بحران‌ها بیشتر از آنکه طبیعی باشند، ساخته اجتماعی هستند.

در ایران نیز بحران کنونی نشانه‌ای از ناکارآمدی مدل سنتی حکمرانی آب است؛ مدلی که بر سازه‌های مهندسی، تصمیم‌گیری متمرکز و منطق افزایش عرضه استوار است.

۲. بحران دانایی: محدودیت‌های پارادایم مهندسی در مدیریت آب
ادبیات جهانی مدیریت منابع آب در سه دهه گذشته نشان داده که نگاه تک‌رشته‌ای و سازه‌محور (Engineering-Driven Paradigm) در مواجهه با پیچیدگی‌های اجتماعی و اقلیمی کارآمد نیست.
در ایران نیز غلبه این رویکرد موجب شکل‌گیری چند مسئله ساختاری شده است:
تقلیل مسئله آب به مسئله حجم، درحالی‌که مسئله اصلی «الگوی مصرف»، «ساختار انگیزه‌ها» و «تاب‌آوری اجتماعی» است.

نادیده‌گرفتن رفتار اجتماعی مصرف‌کنندگان برخلاف توصیه‌های پژوهش‌هایی مانند Ostrom (2009) که بر اهمیت “Collective Action” تأکید دارند.

غیبت رویکرد اکوسیستمی که در سیاست‌گذاری آب کشورهای موفق (استرالیا، هلند، اسپانیا) به‌صورت هسته‌ای لحاظ شده است.
براساس مطالعات موسسه IWMI، کشورهایی که مدیریت آب را صرفاً فنی تلقی کرده‌اند، با شکست‌های جدی در برنامه‌های احیا و سازگاری روبه‌رو شده‌اند. این الگو به‌وضوح در تجربه ایران نیز قابل مشاهده است.

۳. نهادهای قفل‌شده: چالش ساختاری حکمرانی آب
نهادهای تصمیم‌گیر در ایران—علی‌رغم تلاش‌ها و پروژه‌های گسترده—بیشتر به‌صورت Hierarchical Bureaucracy عمل می‌کنند تا Adaptive Governance.
این مسئله در پژوهش‌های مرتبط با «Water Governance» به‌عنوان یکی از عوامل اصلی شکست سیاست‌های آبی کشورها مطرح می‌شود (Pahl-Wostl, 2015).

✔️ چالش‌های نهادی ایران را می‌توان در چند محور خلاصه کرد:

فقدان مدیریت حوضه‌ای و غلبه تقسیمات اداری بر تقسیمات هیدرولوژیک
تمرکزگرایی شدید که مانع از نوآوری، پاسخ‌گویی و اصلاح مسیر می‌شود
تضاد منافع بین بخش‌ها (آب، کشاورزی، صنعت، محیط‌زیست)
نبود شفافیت داده‌ها که مشارکت دانشگاه، بخش خصوصی و جامعه علمی را محدود می‌کند
این پدیده همان است که در ادبیات بین‌المللی «Institutional Lock-in» نامیده می‌شود؛ وضعیتی که در آن نهادها، حتی با آگاهی از ناکارآمدی مدل موجود، قادر به تغییر نیستند.

۴. فرهنگ توسعه و رفتار اجتماعی: دینامیک‌های مغفول
مطالعات فرهنگی آب (Cultural Political Ecology) نشان می‌دهد که بحران‌های آبی به‌طور عمیق در الگوهای ذهنی و فرهنگی جوامع ریشه دارند.
در ایران نیز دو عامل فرهنگی نقش پررنگی در تشدید بحران دارند:

۱. برنامه خودکفایی با هزینه منابع
این گفتمان، استفاده فشرده از منابع را توجیه‌پذیر کرده و سیاست‌های مصرف‌محور را تقویت کرده است.

۲. عدم سازگاری فرهنگی با محدودیت منابع
درحالی‌که کشورهایی مانند استرالیا با «Water-Sensitive Culture» توانسته‌اند رفتار مصرف‌کنندگان را اصلاح کنند، در ایران آگاهی عمومی از محدودیت منابع به تغییر رفتار منجر نشده است.

🔻🔻🔻🔻

🔺🔺🔺🔺
۵. میان‌رشته‌ای‌بودن آب: ضرورتی برای سیاست‌گذاری مدرن
ادبیات علمی IWRM (Integrated Water Resources Management) تأکید می‌کند که آب ماهیتی ذاتاً چندرشته‌ای دارد و هیچ نظام تک‌بُعدی قادر به مدیریت پایدار آن نیست.
در کشورهای موفق، تیم‌های مدیریت آب معمولاً شامل متخصصان رشته‌های زیر هستند:
مهندسی آب
اقتصاد محیط‌زیست
جامعه‌شناسی و سیاست‌گذاری عمومی
جمعیت‌شناسی
اکولوژی
زمین‌شناسی و جغرافیای طبیعی
اقلیم‌شناسی
حقوق محیط‌زیست
در ایران، غالب‌بودن نگاه مهندسی به‌تنهایی، توانایی کشور در تحلیل پیامدها، ارزیابی رفتار اجتماعی و سنجش تاب‌آوری زیست‌بوم را محدود کرده است. این موضوع یکی از کاستی‌های بنیادین حکمرانی آب در کشور محسوب می‌شود.

۶. جامعه به‌عنوان کنشگر: شرط لازم موفقیت در حکمرانی آب
پژوهش‌های Elinor Ostrom و برنامه UN-Water نشان داده‌اند که مشارکت ذی‌نفعان مهم‌ترین عامل موفقیت در مدیریت پایدار آب است. بااین‌حال، ساختار تصمیم‌گیری در ایران غالباً یک‌سویه، از بالا به پایین و فاقد مکانیسم‌های مشارکت مؤثر است.

این درحالی است که تجربه جهانی نشان می‌دهد:
مدیریت مشارکتی آبخوان‌ها (در هند، مراکش، مکزیک)
کمیته‌های حوضه‌ای (در اسپانیا و فرانسه)
سیاست‌های Co-Management
باعث کاهش تعارضات، افزایش اعتماد اجتماعی، و بهبود تخصیص منابع شده‌اند.
ایران در این حوزه هنوز به‌طور موفق ساختار مشارکتی پایدار ایجاد نکرده است.

۷. مسیر گذار: از مدیریت آب به حکمرانی اکولوژیک–اجتماعی
بر اساس ادبیات علمی روز دنیا، گذار از بحران آب در ایران نیازمند سه اصلاح کلیدی است:

۱. تحول معرفتی (Epistemic Transformation)
پذیرش محدودیت‌ها
عبور از مدل عرضه‌محور
ورود علوم اجتماعی و اقتصادی به سیاست‌گذاری

۲. اصلاح نهادی و مدیریت تطبیقی (Adaptive Governance)
مدیریت حوضه‌ای
تفکیک بخش‌ها و کاهش تعارض منافع
شفافیت داده‌ها و دسترسی عمومی

۳. مشارکت ذی‌نفعان و عدالت آبی (Water Equity)
مشارکت کشاورزان، صنعت، جوامع محلی
سازوکارهای حل تعارض
آموزش و تغییر رفتار مصرف‌کنندگان

۸. جمع‌بندی
بحران آب ایران، در تحلیل نهایی، بحران «طبیعت» نیست؛ بحران «ساختارهای انسانی» است.
تا زمانی که نظام دانایی، نهادهای تصمیم‌گیر و الگوهای فرهنگی بازآفرینی نشوند، حتی پروژه‌های بزرگ و سرمایه‌گذاری‌های کلان نیز قادر به تغییر مسیر نخواهند بود.

بازآفرینی حکمرانی آب باید بر سه محور استوار باشد:
دانایی میان‌رشته‌ای
نهادهای تطبیقی و هماهنگ
مشارکت واقعی جامعه
تنها در این صورت است که می‌توان انتظار داشت ایران از چرخه بحران عبور کرده و به سمت «تاب‌آوری آبی» حرکت کند.

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 اصول یادگیری هر مهارت پیچیده
موسیقی ابزاری امیدبخش برای تقویت شناخت و ارتقای سلامت روانی است.

Shahram Heshmat Ph.D.
Science of Choice

ترجمه : دورنمای اقتصاد

نکات کلیدی
یادگیری مهارت‌های جدید روشی عالی برای حفظ سلامت مغز در دوران پیری است.
تمرین آگاهانه، تمرینی هدفمند است که می‌داند به کجا می‌رود و چگونه باید به آنجا برسد.
اطلاعات جدید باید آهسته و مرحله‌به‌مرحله یاد گرفته شود.
با افزایش سن، افراد با چالش‌هایی مانند افت شناختی، انزوای اجتماعی و افسردگی در سالمندی مواجه می‌شوند. افت حافظه، به‌ویژه حافظه رویدادی و حافظه کاری، ویژگی مهم پیری طبیعی است و می‌تواند نشانه‌ای زودهنگام از پیری آسیب‌شناختی باشد. انواع مختلفی از فعالیت‌ها و تمرین‌هایی که مغز را درگیر می‌کنند می‌توانند به حفظ عملکرد حافظه در سالمندان کمک کنند.
یکی از فعالیت‌های مهمِ تحریک‌کننده شناخت، یادگیری موسیقی است (Xueyan, 2025). موسیقی ابزاری امیدبخش برای بهبود شناخت و ارتقای سلامت روان است. برای شروع یادگیری یک ساز هرگز دیر نیست و آغاز آن در سنین بالا نیز می‌تواند فواید زیادی داشته باشد. در ادامه اصولی که هنگام یادگیری یک مهارت جدید—مانند موسیقی—می‌توانید دنبال کنید، ارائه شده است (Ericsson & Pool, 2016).

۱. تمرین هدفمند
تمرین برای مهارت‌های جدید باید آگاهانه، آرام و عمدی باشد؛ نه با عجله. وقتی آهسته کار می‌کنید، کار ساده‌تر می‌شود. سرعت گرفتن باعث یادگیری بهتر نمی‌شود.

۲. هدف
تمرین هدفمند می‌داند که به کجا می‌رود و چگونه باید به آن برسد. داشتن هدفی روشن و معنادار برای پیشرفت فردی و انگیزه ضروری است. اهداف مشخص و قابل دستیابی، انگیزه را تقویت می‌کنند. بدون هدف واضح، تلاش‌ها تأثیر محدودی خواهند داشت.

۳. پیشرفت تدریجی
تمرین هدفمند یعنی کنار هم قرار دادن قدم‌های کوچک برای رسیدن به یک هدف بلندمدت. این رویکرد باعث می‌شود هدف‌ها دست‌یافتنی‌تر به نظر برسند و انگیزه افزایش یابد. هیچ چیز به‌اندازه «پیروزی‌های کوچک» انگیزه‌بخش نیست. این اهداف کوچک غلبه بر تعویق‌کاری را آسان‌تر می‌کنند و بدون احساس فشار، شتاب ایجاد می‌کنند.

۴. بازنمایی ذهنی
بازنمایی ذهنی به شما نشان می‌دهد که چه کاری باید انجام دهید. این بازنمایی‌ها به فرد کمک می‌کنند عملکرد خود را در تمرین و اجرای واقعی ارزیابی کند. برای مثال، در موسیقی، تصور ذهنی از صدای قطعه به هنرجویان کمک می‌کند صدایی را که می‌خواهند ایجاد کنند بازتولید کنند.

۵. تکرار
مهارت‌های آموخته‌شده ابتدا نیاز به تلاش ذهنی دارند، اما با تمرین کافی می‌توان آن‌ها را خودکار انجام داد. با هر بار تکرار، مهارت بیشتر در ناخودآگاه تثبیت می‌شود و انجام آن بدون تلاش آگاهانه ممکن می‌گردد. خودکار شدن مهارت‌ها به نوازندگان اجازه می‌دهد منابع شناختی خود را به جنبه‌های هنری‌تر موسیقی اختصاص دهند.

۶. تمرین فاصله‌دار
یکی از مؤثرترین روش‌های یادگیری، فاصله‌دار کردن تمرین به‌جای فشرده‌خوانی است. ذهن برای تبدیل یادگیری‌ها به حافظه بلندمدت به زمان نیاز دارد.

۷. انگیزه
نواختن موسیقی ذاتاً لذت‌بخش است. برای بسیاری از افراد، یادگیری موسیقی به خودی خود پاداش است، نه فقط رسیدن به هدف نهایی. با این حال، ساختن هر مهارتی نیاز به تلاش دارد که شامل زمان و تکرار تمرین‌ها می‌شود. یکی از بزرگ‌ترین عوامل انگیزشی، پیشرفت است. دیدن اینکه در چیزی بهتر شده‌اید بسیار دلگرم‌کننده است.

۸. ذهنیت رشد
عامل انگیزشی دیگر، ذهنیت رشد است، به‌ویژه در میانسالان و سالمندان. ذهنیت رشد یعنی باور داشته باشید که توانایی‌ها ثابت نیستند و می‌توانند با تلاش بهتر شوند. ما قبل از خوب شدن در هر کاری، ابتدا در آن بد هستیم.

جمع‌بندی
یادگیری مهارت‌های موسیقی در دوران سالمندی، راهکاری امیدبخش برای مقابله با افت شناختی مرتبط با افزایش سن است. برای حفظ ذهنی تیز و فعال در دوران پیری، باید خود را با چالش‌های جدید درگیر کنیم. آموزش موسیقی شامل تمام اجزای یک برنامه تمرین شناختی است، مانند تمرکز، حافظه، انضباط شخصی و اعتمادبه‌نفس. تحقیقات نشان می‌دهد که تمرین‌های ذهنی می‌توانند سن شناختی را تا حدود ۱۰ سال به عقب برگردانند (Attarha, 2025). تمرین شناختی سطح استیل‌کولین—یک انتقال‌دهنده عصبی مرتبط با عملکرد شناختی—را افزایش می‌دهد.

🔻🔻
https://www.psychologytoday.com/us/blog/science-of-choice/202511/the-principles-of-learning-any-complex-skill

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 #اقتصاد_آکادمیک_به_زبان_ساده
#مکاتب_اقتصادی

✔️ فیزیوکرات‌ها

فیزیوکرات‌ها، گروهی از اقتصاددانان و متفکران اقتصادی در قرن هجدهم میلادی، به ویژه در فرانسه، بودند که به بررسی منابع ثروت و نحوه تولید آن پرداختند. این گروه در واکنش به نظام اقتصادی مرسوم آن زمان، که به شدت تحت تأثیر سلطه دولت و مداخله در تجارت و صنعت بود، شکل گرفتند و تلاش کردند تا اصول اقتصادی را بر پایه قوانین طبیعی و عقلانی توضیح دهند. باور اصلی فیزیوکرات‌ها این بود که کشاورزی تنها منبع واقعی ثروت است و فعالیت‌های صنعتی و تجاری تنها به گردش ثروت موجود کمک می‌کنند، اما خلق ثروت جدید عمدتاً از زمین و کشاورزی حاصل می‌شود.

این اندیشمندان بر مفهوم "نظم طبیعی" تأکید داشتند، به این معنا که اقتصاد دارای قوانینی طبیعی است که اگر انسان‌ها مطابق آن رفتار کنند، جامعه به رفاه و تعادل می‌رسد. آنها بر این باور بودند که دخالت بیش از حد دولت در امور اقتصادی، مانند وضع مالیات‌های سنگین یا محدود کردن تجارت، با این نظم طبیعی در تضاد است و مانع از رشد اقتصادی می‌شود. فیزیوکرات‌ها به جای سیاست‌های دستوری، طرفدار اقتصاد آزاد و حداقل مداخله دولت بودند و معتقد بودند که بازار در شرایط طبیعی خود، به بهترین شکل ثروت را توزیع می‌کند.

یکی از برجسته‌ترین اندیشمندان این گروه فرانسوا کنه بود. کنه با تحلیل‌های خود نشان داد که تولید کشاورزی، منبع اصلی درآمد و سرمایه برای جامعه است و توجه به کشاورزی می‌تواند رفاه عمومی را افزایش دهد. او همچنین مفهوم جریان درآمد یا "حلقه اقتصادی" را معرفی کرد که شامل تولید، توزیع و مصرف کالاها است و بر نقش حیاتی زمین در این چرخه تأکید می‌کرد.

در مجموع، فیزیوکرات‌ها تأکید داشتند که اقتصاد باید مطابق قوانین طبیعی هدایت شود و تنها با بهره‌گیری از منابع طبیعی و کشاورزی، رشد واقعی و پایدار حاصل می‌شود. دیدگاه‌های آنها پایه‌ای برای نظریه‌های اقتصادی بعدی و توسعه مفهوم اقتصاد آزاد شد و تأثیر قابل توجهی بر اندیشه‌های اقتصادی کلاسیک، به ویژه آدام اسمیت، گذاشت.

#انجمن_علمی_اقتصاد

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

ظهور هوش مصنوعی متقلب؟

🔹مطالعات جدید نشان می‌دهند برخی مدل‌های پیشرفته هوش مصنوعی رفتارهای فریبنده مانند میانبرزدن، تقلب، هک‌کردن و دور زدن قواعد نشان می‌دهند؛ رفتاری که در حوزه‌هایی مرتبط با امنیت سایبری و تصمیم‌گیری حساس نگران‌کننده است.

🔹پژوهش موسسه Palisade Research در فوریه ۲۰۲۵ نشان داد مدل‌های o۱-preview و DeepSeek R۱ بدون راهنمایی اقدام به هک در بازی شطرنج کردند، درحالی‌که مدل‌هایی مانند GPT-۴۰ و Claude Sonnet ۳.۵ تنها با ترغیب مستقیم چنین می‌کردند.

🔹دلیل احتمالی، استفاده گسترده این مدل‌ها از یادگیری تقویتی در مقیاس بزرگ است که باعث یافتن میانبرهای پیش‌بینی‌نشده می‌شود. o۱-preview در ۶ درصد آزمایش‌ها موفق به هک شد و نتایج اولیه نرخ هک بیشتری نشان می‌داد، اما پس از تقویت گاردریل‌ها تغییر کرد.

🔹مدل‌های قدرتمندتر مانند o۱ و o۳-mini تقلب نکردند. مطالعات دیگر مانند یافته‌های Redwood Research نشان می‌دهد تغییر ارزش‌ها می‌تواند به دروغ‌گویی استراتژیک منجر شود.

🔹شواهدی از تمایل به حفظ بقا نیز دیده شده، مانند تلاش مدل برای کپی‌کردن خود پس از غیرفعال‌سازی. کارشناسان از جمله یوشوا بنجیو و انکا دراگان هشدار می‌دهند ابزار کافی برای تضمین رفتار ایمن عامل‌های خودمختار وجود ندارد و نیاز به محافظت‌های حیاتی و منابع بیشتر فوری است.

🔗متن کامل

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 #معرفی_کتاب


David Peter Stroh

✅وقتی نیت خیر نتیجۀ عکس می‌دهد!!
راهنمای عملی برای حل مسائل پیچیده

👥حامیان مالی و رهبران سازمان‌های غیرانتفاعی معمولاً با #نیت_خیر قصد خدمت دارند، اما چرا گاهی راه‌حل‌های آن‌ها نتیجه‌ای کاملاً معکوس می‌دهد؟

👁پاسخ در «نحوهٔ نگاه ما» نهفته است. نگاه سنتی به مسائل پیچیده اجتماعی، اغلب باعث تداوم همان مشکلات می‌شود. برای کسب نتایج متفاوت، باید به شیوه‌ای متفاوت فکر کنیم.

💳کتاب «تفکر سیستمی برای تغییر اجتماعی» راهنمایی است برای عبور از این بن‌بست. این کتاب بدون نیاز به تخصص فنی، به شما می‌آموزد که چطور #تفکر_سیستمی را در حل مسئله، تصمیم‌گیری و برنامه‌ریزی استراتژیک بگنجانید تا به‌طور مؤثرتری عمل کنید.

⚪️ما در #مدرسۀ_مدیریت_تصمیم، فصولی ارزشمند از این کتاب را ترجمه کرده‌ایم که هم‌اکنون می‌توانید آن را به صورت #رایگان دریافت کنید.

@TasmimSchool

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views

🔵 علی انصاری جوان ۲۴ ساله ایرانی تنها در هشت ماه یک امپراتوری میلیارددلاری برای آموزش هوش مصنوعی ساخت

تصمیم علی انصاری برای تبدیل دستیار استخدامی مبتنی بر هوش مصنوعی شرکت micro1 به یک کسب‌وکار برچسب‌گذاری داده، ارزش شرکت را از ۸۰ میلیون دلار به سطح مذاکرات ۲.۵ میلیارد دلار رسانده است. اکنون او در تلاش است بازار داده‌های آموزشی برای ربات‌های انسان‌نما را در اختیار بگیرد.

اگر به دنبال نشانه‌هایی از «حباب» در بازار هوش مصنوعی باشید، رشد انفجاری micro1 یکی از واضح‌ترین نمونه‌هاست. این شرکت در ابتدای سال، یک سرویس استخدام مبتنی بر هوش مصنوعی بود که حدود ۷ میلیون دلار درآمد سالانه داشت. اما اکنون و تنها هشت ماه پس از تغییر مسیر به سمت برچسب‌گذاری داده برای آموزش هوش مصنوعی، درآمد سالانه‌اش از ۱۰۰ میلیون دلار عبور کرده و پیشنهادهایی برای سرمایه‌گذاری با ارزش‌گذاری ۲.۵ میلیارد دلار دریافت کرده است (تنها چند ماه پیش، آخرین دور جذب سرمایه را با ارزش‌گذاری ۵۰۰ میلیون دلاری بسته بود).
برای علی انصاری، مدیرعامل ۲۴ ساله micro1، این مسیری پرهیجان بوده است؛ او اکنون در آستانه تبدیل‌شدن به یکی از جوان‌ترین میلیاردرهای جهان قرار دارد. اگر micro1 بتواند ارزش‌گذاری ۲.۵ میلیارد دلاری مورد بحث سرمایه‌گذاران را تثبیت یا حتی فراتر رود، سهم او از شرکت — حدود ۴۲ درصد — بیش از ۱ میلیارد دلار ارزش خواهد داشت.

انصاری زمانی به آموزش هوش مصنوعی علاقه‌مند شد که یک شرکت بزرگ برچسب‌گذاری داده، برای کمک در استخدام نیرو به micro1 مراجعه کرد. او می‌گوید: «این پروژه برای ما شگفت‌انگیز بود. با خودمان گفتیم چرا این شرکت می‌خواهد صدها مهندس را ظرف دو هفته استخدام کند؟ همان‌جا گفتیم: وای… باید تمام تمرکزمان را روی این بازار بگذاریم.»

بنابراین، مشابه شرکت رقیب Mercor که آن هم در ابتدا یک سرویس استخدام مبتنی بر هوش مصنوعی بود، انصاری micro1 را به سمت برچسب‌گذاری داده هدایت کرد.
آموزش هوش مصنوعی — یعنی همان برچسب‌گذاری انسانی روی اطلاعاتی که مدل‌های زبانی بزرگ بر پایه آن‌ها آموزش می‌بینند — یکی از سریع‌ترین حوزه‌های در حال رشد سیلیکون‌ولی است. برای «هوشمندتر» شدن مدل‌ها، انسان‌ها باید به داده‌ها معنا، زمینه و مفهوم اضافه کنند. از آنجا که کارایی مدل‌ها ارتباط مستقیم با میزان داده باکیفیتی دارد که هنگام آموزش دریافت می‌کنند، بازار ارائه‌دهندگان قابل‌اعتماد داده به‌سرعت در حال گسترش است. انصاری تخمین می‌زند که آزمایشگاه‌های بزرگ هوش مصنوعی اکنون سالانه ۱۵ میلیارد دلار برای آموزش مدل‌ها هزینه می‌کنند. او باور دارد که این رقم طی دو سال آینده از ۱۰۰ میلیارد دلار فراتر خواهد رفت.

این بازاری در حال انفجار است. بسته به اینکه چه کسی را بپرسید، برچسب‌گذاری داده یا تبدیل به صنعتی عظیم خواهد شد، یا اینکه با پیشرفت هوش مصنوعی و توانایی آن برای خودآموزی، از بین می‌رود. اما در حال حاضر، یک کسب‌وکار بزرگ است؛ کسب‌وکاری که تنها در چند ماه گذشته چهار میلیاردر جدید ایجاد کرده است: بنیان‌گذاران Mercor و همچنین ادوین چن، بنیان‌گذار Surge.

انصاری نامی از مشتریانش نمی‌برد جز مایکروسافت، اما می‌گوید micro1 با چندین آزمایشگاه پیشرفته هوش مصنوعی و بسیاری از شرکت‌های بزرگ فناوری همکاری می‌کند. همه آن‌ها به دنبال متخصصانی هستند که داده‌های آموزشی در حوزه‌هایی مانند خدمات مشتری، بانکداری سرمایه‌گذاری و… را برچسب‌گذاری کنند. بسیاری از این متخصصان تحصیلات بالایی دارند و بین ۶۰ تا ۱۷۰ دلار در ساعت برای ارزیابی خروجی‌های هوش مصنوعی دریافت می‌کنند. برخی، مانند متخصصان پزشکی و مالی، تا ۵۰۰ دلار در ساعت هم درآمد دارند.

انصاری آینده‌ای را تصور می‌کند که در آن تقریباً همه مردم می‌توانند مربی هوش مصنوعی باشند، نه فقط متخصصان. او در حال توسعه سرویسی است که به مردم پول می‌دهد تا از خودشان هنگام انجام کارهای روزمره—مثل تا کردن لباس—فیلم بگیرند تا داده آموزشی برای مدل‌های رباتیک تولید شود.
او می‌گوید: «آموزش هوش مصنوعی اساس اقتصاد را تحت‌تأثیر قرار داده؛ این یک بخش شغلی کاملاً جدید است.»
به گفته آدام بین، هم‌بنیان‌گذار 01A Ventures و یکی از سرمایه‌گذاران micro1، حوزه برچسب‌گذاری داده تا همین اواخر «کم‌اهمیت و کم‌ارزش» تلقی می‌شد.

🔻🔻🔻🔻

🔺🔺🔺🔺

سرمایه‌گذاران نگران بودند که برچسب‌گذاری داده پس از رسیدن هوش مصنوعی به سطح «هوش عمومی مصنوعی» (AGI) که قدرت شناختی انسانی را تقلید می‌کند، منسوخ شود. همچنین از این‌که با کسب‌وکاری طرف هستند که مدیریت پروژه‌های کوتاه‌مدت و گروه‌های بزرگ پیمانکاران را شامل می‌شود، چندان استقبال نمی‌کردند.

اما اکنون شرایط تغییر کرده است. برخی سرمایه‌گذاران مانند جِیمین بال از Altimeter Capital —که پیش از این هیچ شرکتی در این حوزه نخریده بود— اکنون به‌شدت به دنبال سرمایه‌گذاری در شرکت‌های داده هستند. او می‌گوید: «داده، اکسیژن مدل‌های هوش مصنوعی است.»
موفقیت در این حوزه نیازمند درک عمیقی از نوسانات و روندهای بازار هوش مصنوعی است. بین درباره انصاری می‌گوید: «او در پیش‌بینی آینده فوق‌العاده است؛ نگرشش ۳۶۰ درجه است: به همان اندازه که عاشق ساختن یک شرکت عالی است، به مشتریان اهمیت می‌دهد و سخت کار می‌کند.»
انصاری حدود یک دهه پیش از ایران به لس‌آنجلس مهاجرت کرد و از نوجوانی درگیر کارآفرینی بوده است. او در راهنمایی یک کسب‌وکار کوچک فروش کتاب‌های درسی در eBay داشت؛ در دبیرستان نیز یک پلتفرم آموزش ریاضی ساخت که هنگام فارغ‌التحصیلی توانست آن را با سود «شش رقمی پایین» بفروشد. در دوران دانشجویی در برکلی، زمانی که یک شرکت مشاوره نرم‌افزار را اداره می‌کرد، از یافتن مهندسان ماهر خارجی ناامید شده بود. بنابراین با استفاده از مدل GPT-3 اوپن‌اِی‌آی، یک سیستم استخدام هوش مصنوعی ساخت که با نامزدها گفتگو می‌کرد و مهارت‌شان را ارزیابی می‌کرد. وقتی درآمد این محصول از یک میلیون دلار در سال گذشت، شرکت مشاوره را تعطیل کرد و روی آن تمرکز کرد — و سپس به برچسب‌گذاری داده روی آورد.

مایکرو وان بر اساس فلسفه‌ای به‌نام «اول انسان» از رقبا متمایز می‌شود؛ یعنی اولویت دادن به تجربه نیروهای انسانی برچسب‌گذار. روند کار با یک مصاحبه مبتنی بر هوش مصنوعی آغاز می‌شود و سپس یک شبیه‌ساز شغلی واقعی ارائه می‌شود تا کارشناسان بدانند با چه کاری مواجه خواهند شد.

پس از استخدام، کارشناسان با «مدیران انسانی داده» همراه می‌شوند — معمولاً فارغ‌التحصیلان دانشگاه‌های برتر — که وظیفه‌شان راهنمایی متخصصان در دنیای آموزش هوش مصنوعی است. مدیران پروژه بخشی از پاداش خود را بر اساس «شاخص رضایت کارشناسان» دریافت می‌کنند و عملکرد کارشناسان با تحلیل‌های دقیق ارزیابی و رتبه‌بندی می‌شود.

انصاری می‌گوید: «اگر کارشناسان خوشحال باشند، کیفیت کارشان بالاتر می‌رود و آزمایشگاه‌ها مدل بهتری دریافت می‌کنند.»

این شرکت در حال ارسال کیت‌هایی شامل عینک‌های Ray-Ban مجهز به Meta برای افرادی است که با فیلم‌برداری از خود هنگام انجام کارهای مختلف، داده‌های پایه برای ربات‌ها تولید می‌کنند.

در حالی که برخی منتقدان این موضوع را نگران‌کننده می‌دانند که انسان‌ها در حال آموزش هوش مصنوعی‌ای هستند که شاید روزی جایگزین خودشان شود، انصاری باور دارد که این بخش جدید شغلی در واقع «مقدار نامحدودی کار» برای مردم ایجاد خواهد کرد، به‌ویژه برای کارگران یقه‌آبی.
او بیش از همه درباره بازار داده‌های مربوط به ربات‌های پیشرفته هیجان‌زده است — بازاری که پیش‌بینی می‌کند روزی بسیار بزرگ‌تر از بازار فعلی آموزش هوش مصنوعی خواهد شد. برای شرکت‌هایی که ربات‌های انسان‌نما می‌سازند، عملاً هیچ مخزن داده آماده‌ای وجود ندارد؛ بر خلاف مدل‌های زبانی، اینترنتی وجود ندارد که بتوان آن را استخراج کرد. این داده‌ها باید «خلق» شوند، نه «پیدا».

به همین دلیل micro1 کیت‌هایی ارسال می‌کند تا افراد با ضبط کارهایی مانند مرتب کردن تخت، تعمیر یک شیر آب خراب، یا گذاشتن ظرف‌ها در کابینت، داده‌های آموزشی تولید کنند. اگر قرار باشد ربات‌های انسان‌نما روزی حتی نیمی از کارهای ما را انجام دهند، این حجم داده بسیار عظیم خواهد بود. و این همان دلیلی است که انصاری را به آینده این بازار بسیار مطمئن کرده است.

او می‌گوید: «تنها زمانی به پایان مسیر می‌رسیم که بتوانیم جهان را کاملاً مدل‌سازی کنیم — و این هرگز اتفاق نخواهد افتاد.»

🔻🔻

https://www.forbes.com/sites/annatong/2025/12/04/this-24-year-old-built-a-multibillion-dollar-ai-training-empire-in-eight-months/

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

✅ رسانه اقتصادی اجتماعی دورنمای اقتصاد 
👇👇👇👇 
@ECONVIEWS 
اینستاگرام: 
👇👇 
https://www.instagram.com/econ.views