SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场archetype-assignment

archetype-assignment

数据与分析

查看项目

更新于 10-15 11:48

技能介绍

用途

Archetype Assignment（原型分配）是一个综合分析技能，用于将多个先前分析阶段的输出综合为一个人格原型分类。它通过评估跨维度的加权证据、计算每个参考原型的拟合分数、带置信度地分配原型，并记录支撑证据。

核心原则：原型是由收敛的多维证据支撑的行为模式，而不是从任何单一分析中得出的标签。分配要求至少来自三个独立分析维度的证据，且每次分配都必须带有明确的置信度分数和证据链。

适用场景

  • 多个先前分析已完成（兴趣分类、情感分析、参与度评分、时间模式、心理语言特征、人格特质、网络/社交图谱等）
  • 需要将异构分析输出综合为单一用户画像分类
  • 分配用户角色原型（领域专家、潜水者转领导者、社区守门人、情感支持寻求者、数字游民/通才，或自定义原型）
  • 从多维行为证据构建复合用户画像
  • 需要带置信度评分和文档化证据链的原型分配
  • 评估用户是否符合参考原型、混合原型或无既定原型

不适用场景

  • 可用的先前分析维度少于 3 个
  • 目标是对内容而非用户/账号进行分类
  • 试图对个人进行心理诊断或临床画像
  • 为评估、招聘、筛选或把关目的分配原型
  • 只有一个分析维度可用（应使用该维度自身的分类）

维度数量决策

  • 1-2 个维度：停止，不足以进行原型分配，仅报告各维度发现
  • 3-4 个维度：谨慎进行，分配原型但标记低置信度维度，混合分配可能性大
  • 5+ 个维度：进行，完整原型分配并带置信度评分

参考原型

以下五个参考原型代表在线社区中的常见行为模式，并非穷尽列表，用户可能不符合任何一个、符合一个或混合多个。

  • 领域专家（SME）：深度集中的专业知识与高参与质量。核心信号：兴趣分布呈尖峰、高内容词比例、分析性语域、实质性而非社交性参与。主要证据维度：分类（专家）、参与度（高质量）、心理语言（分析-反思）、人格（高开放性、高尽责性）。
  • 潜水者转领导者：从低活动到高活动的时间转变，社区影响力递增。核心信号：明显的时间拐点、早期低频期后持续高参与、回复/发起主题率增长。主要证据维度：时间（活动爬升）、参与度（随时间递增）、网络（中心性增长）、情感（趋于稳定正面）。
  • 社区守门人：信息流控制，广泛的社区连接，中高参与度。核心信号：桥接多个子社区、跨多主题回复、社交过程词升高、发帖时间表一致。主要证据维度：网络（高中介中心性）、参与度（持续中高）、分类（中等广度）、心理语言（社交-关系语域）。
  • 情感支持寻求者：情感密集型参与，强调社交连接。核心信号：负面情绪词汇升高、高自我指涉、问题型帖子多、情感波动、寻求认可模式。主要证据维度：情感（高波动、负偏斜）、心理语言（情感主导、高第一人称代词）、人格（高神经质指标）、参与度（寻求回应模式）。
  • 数字游民/通才：广泛浅层参与多个主题，无深度承诺。核心信号：兴趣分布平坦、高正交性分数、发帖时间表不规则、主题深度低、网络连接广而浅。主要证据维度：分类（博学/广泛）、时间（不规则/爆发式）、参与度（中等、分散）、网络（边缘、多弱连接）。

工作流程

  1. 清点先前分析：编目可用的先前分析及其置信度。每个分析是一个证据“维度”。最低要求：必须完成 3 个维度才能继续。少于 3 个则停止并报告无法以足够置信度进行原型分配。
  2. 提取关键指标：从每个已完成分析中提取与原型区分相关的具体指标（如分类类型、兴趣形状、正交性分数、情感均值、分布、轨迹、参与度综合分数、组件分解、活动规律性、参与风格、趋势方向、主导语域、OCEAN 分数、中心性指标等）。
  3. 构建证据矩阵：将每个参考原型与每个可用证据维度映射。每个单元格记录证据是支持（S）、矛盾（C）还是中性（N）。评分规则：强支持 +2，中等支持 +1，中性 0，中等矛盾 -1，强矛盾 -2。
  4. 计算拟合分数：对每个原型，从证据矩阵计算加权拟合分数。公式：Fit_score(archetype) = SUM(evidence_score_i * dimension_weight_i * confidence_weight_i) / SUM(dimension_weight_i * confidence_weight_i)。维度权重：主要区分因素 1.5，次要 1.0，三级/补充 0.5。置信度权重：高 1.0，中 0.7，低 0.4，不足/不可用 0.0（排除）。拟合分数解读：>0.60 强拟合；0.30-0.60 中等拟合；0.00-0.30 弱拟合；<0.00 差拟合。
  5. 评估混合原型：用户很少完美符合单一原型。若前两名拟合分数差距 >0.25，分配单一原型；若差距 ≤0.25 且两者分数均 >0.30，分配混合原型（主要+次要）；若两者均 ≤0.30，考虑“未分类/新兴模式”。
  6. 带置信度分配：置信度 = (拟合强度因子 + 覆盖因子 + 一致性因子) / 3。拟合强度：最高拟合分数归一化到 [0,1]，0.60+ = 1.0，0.30 = 0.5，低于 0.30 按比例。覆盖：(非中性证据维度数) / (可用维度总数)。一致性：1.0 - (矛盾维度数 / 总贡献维度数)。置信度解读：0.75-1.00 高；中等和低区间在原文中未完整给出。
  7. 记录支持与矛盾证据
  8. 评估分配的时间稳定性
  9. 将发现写入 docs/analysis/23-archetype-assignment.md

限制

  • 少于 3 个分析维度时无法进行原型分配
  • 仅用于用户/账号分类，不用于内容分类
  • 不得用于心理诊断、临床画像、评估、招聘、筛选或把关
  • 参考原型并非穷尽，用户可能不符合任何原型
  • 原文中置信度解读的“中等”和“低”区间未完整提供