arXiv cs.AI· Siyi Yu·· 11 小时前AI 评分26
研究：枯燥、肮脏、危险的工作条件与职业 AI 暴露度的关系
Dull, Dirty, Dangerous? Working Conditions and the Limits of Occupational AI Exposure
AI 导读
一项基于 754 个美国职业、21 项 O*NET 指标的研究发现，LLM 暴露度与 AIOE 两项指标下，AI 暴露度越高的工作，其枯燥、肮脏、危险条件评分越低。控制体力需求、教育、培训经验和工资后，LLM 暴露度的复合关联置信区间包含零，AIOE 仍低于零。将重复性与受限自主权分开，也会改变合并"Dull"分数的含义。
正文 · AI 翻译
摘要：自动化常被论证为使人摆脱枯燥、肮脏和危险工作的手段。我使用 21 个 O*NET 条目，考察这些条件与 754 个美国职业的职业 AI 暴露度之间的关系。在大语言模型（LLM）度量与 AI 职业暴露度（AIOE）下，采用等职业权重和就业权重时，暴露度越高与条件得分越低相关。对体力需求、所需教育、培训与经验以及工资进行调整后，复合关联减弱。调整后的置信区间对 LLM 暴露度包含零，对 AIOE 则仍低于零。将重复性与受限自主权分开，也会改变合并的枯燥（Dull）得分所传达的含义。这些比较表明，条目分组与职业特征如何影响暴露度估计的解释。职业画像为选择对比性研究场景提供了起点。要确立期望的自动化或已实现的缓解，需要关于劳动者偏好和具体干预措施的证据。
| 主题： | 人工智能（cs.AI）；人机交互（cs.HC）；一般经济学（econ.GN） |
| 引用为： | arXiv:2611.06888 [cs.AI] |
| （或本版本使用 arXiv:2611.06888v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.06888 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Siyi Yu [查看邮箱]
[v1]
2026年11月4日星期三 18:41:40 UTC（92 KB）
来源：arXiv cs.AI · arxiv.org