A Sociological Study of the Impact of Artificial Intelligence on Urban Social Interaction Patterns: An Analysis of Generation Z in Isfahan

Subject Areas : Urban Sociological Studies

Meysam Gholami ¹ , Sayed Naser Hejazi ^{2 *} , Esmail Bagheri ³

1 - PhD student, Department of Sociology, Deh.C, Islamic Azad University, Isfahan, Iran.
2 - Assistant Professor, Department of Sociology, Deh.C, Islamic Azad University, Isfahan, Iran (Corresponding Author).
3 - Assistant Professor, Computer Department, Deh.C, Islamic Azad University, Isfahan, Iran

Received: 2024-10-02 Accepted : 2024-12-27 Published : 2025-07-24

Keywords: Social Interactions, Artificial Intelligence, Generation Z, Physical Dimension, Structural Dimension, Symbolic Dimension,

Abstract :

With the rapid expansion of artificial intelligence technologies, the nature of social interactions among Generation Z within the urban context of Isfahan has undergone fundamental transformations. The present study aims to examine the impact of artificial intelligence on the patterns of social interaction among Generation Z in the city of Isfahan. Methodologically, this research is survey-based, cross-sectional in terms of time, applied in nature, and extensive in scope. The statistical population consisted of 451,038 members of Generation Z residing in Isfahan in the year 2025. Using Sample Power software, a sample size of 340 individuals was determined and selected through quota sampling proportional to population distribution. The data collection instrument was a researcher-designed questionnaire, whose face validity was confirmed by expert judgment and whose reliability was verified using Cronbach’s alpha coefficient. Data analysis was conducted using SPSS and AMOS software, version 24. The results indicated that the mean score of social interaction among Generation Z in Isfahan was 50.93, slightly above the average benchmark. In contrast, the mean score for artificial intelligence usage was 93.76, which falls below the theoretical standard of 102 highlighting a gap between general digital engagement and the specialized, effective use of AI. Furthermore, structural equation modeling revealed that artificial intelligence accounted for 63% of the variance in urban social interaction patterns (β = 0.79, p ≤ 0.001), suggesting a strong and significant influence of smart technologies on shaping and enhancing social behaviors among Generation Z in the urban environment.

References:

حمزه ئی، امیر مسعود؛ بندر آباد، علیرضا؛ شهابیان، پویان (1403) شهر هوشمند، محوری موثر در ارتقای سرزندگی شهری، مجله علمی گفتمان طراحی شهری، 5(1)، 1-15.
خزایی، حسین؛ همتی، مجتبی (1404) امکان سنجی تزاحم و تعارض هوش مصنوعی با حقوق بشر و شهروندی: چالش ها و راهکار ها، حقوق فناوری های نوین، 6(11)، 233-251.
کریمیان ششده، زهرا؛ داس مه، زهرا؛ نصر، طاهره (1403) تحلیل تاثیر طراحی فضاهای عمومی بر کیفیت زندگی شهری و تعاملات اجتماعی، پژوهش در هنر و علوم انسانی، 9(75)، 83-86.
گودرزی، مجید؛ دالوند، هنگامه (1403) نقش هوش مصنوعی در توسعه حمل و نقل شهر اهواز بر پایه مدل سازی معادلات ساختاری، جغرافیا و برنامه ریزی، انتشار آنلاین 10 دی 1403.
میجانی، محدثه؛ زارع، حمید؛ خنیفر، حسین (1401) طراحی مدل مدیریت منابع انسانی برای کارکنان نسل زد با استفاده از رویکرد GT، دو فصلنامه علمی مدیریت منابع انسانی پایدار، 4(7)، 191-213.
Boggs, A. S., Buchanan, K., Evans, H., Griffith, D., Meritis, D., Ng, L., Stephens, M. (2023). National institute of standards and technology environmental scan. Societal and technology landscape to inform science and technology research (pp. 1–79).
Castells, M. (2000). The Rise of the Network Society (second Ed.). Wiley-Blackwell.
Chen, M. A., & Wang, J. X. (2024). Displacement or Augmentation? The Effects of AI on Workforce Dynamics and Firm Value. The Effects of AI on Workforce Dynamics and Firm Value.
Cugurullo, F., Caprotti, F., Cook, M., Karvonen, A., MᶜGuirk, P., & Marvin, S. (2024). The rise of AI urbanism in post-smart cities: A critical commentary on urban artificial intelligence. Urban Studies, 61(6), 1168-1182. ‏
Durkheim, E. (1995). The Elementary Forms of Religious Life (K. E. Fields, Trans.). Free Press. (Original work published 1912)
Eshraghi, P., Dehnavi, A. N., Mirdamadi, M., Talami, R., & Zomorodian, Z. S. (2025). An AI-driven framework for rapid and localized optimizations of urban open spaces. ArXiv preprint arXiv: 2501.08019. ‏
Gardner, H., & Davis, K. (2013). The app generation: How today's youth navigate identity, intimacy, and imagination in a digital world? Yale University Press. ‏
Gottdiener, M., & Hutchison, R. (2011). The New Urban Sociology Fourth Edition Ed Westview Press.
GWI. (2024). "Generation Z Report: Understanding the Social and Cultural Shifts in
2024." Global Web Index. Retrieved from https://www.gwi.com/reports/gen-z
Lehtiö, A., Hartikainen, M., Ala-Luopa, S., Olsson, T., & Väänänen, K. (2023). Understanding citizen perceptions of AI in the smart city. Ai & Society, 38(3), 1123-1134.‏
Liu, H., Liu, W., Yoganathan, V., & Osburg, V. S. (2021). COVID-19 information overload and generation Z's social media discontinuance intention during the pandemic lockdown. Technological forecasting and social change, 166, 120600.‏
Lofland, L. H. (2017). The public realm: Exploring the city's quintessential social territory. Routledge.
Mauro, G., Minici, M., & Pappalardo, L. (2025). The Urban Impact of AI: Modeling Feedback Loops in Next-Venue Recommendation. ArXiv preprint arXiv: 2504.07911. ‏
Morgan F. J (2014). Differences in Generational Work Values in America and Their Implications for Educational Leadership: A Longitudinal Test of Twinge’s Model, (Doctoral Dissertation), University of Louisiana at Lafayette, Available from ProQuest Dissertation and Theses database, p.7.AA 3622936.
Nagelhout, R. (2024). Students are using AI already. Here is what they think adults should know. Retrieved from https://www.gse.harvard.edu/ideas/usable-knowledge/24/09/students-are-using-ai-already-heres-what-they-think-adults-should-know
Prensky, M. (2001). Digital natives, digital immigrants part one. On the horizon 9(5), p1-6.
Rathore, D. B. (2023). Future of AI & Generation Alpha: ChatGPT beyond Boundaries. Edu zone: International Peer Reviewed/Refereed Academic Multidisciplinary Journal, 12 (01).‏
Salesforce. (2024). Generative AI Usage among Generations. Retrieved from https://explodingtopics.com/blog/generative-ai-stats.
Seemiller, C., & Grace, M. (2016). Generation Z goes to college. John Wiley & Sons. ‏
Singh, A. P., & Dangmei, J. (2016). Understanding the generation Z: the future workforce. South-Asian journal of multidisciplinary studies, 3(3), 1-5. ‏
Turner, A. (2015). Generation Z: Technology and social interest. The Journal of Individual Psychology, 71(2), 103–113. https://doi.org/10.1353/jip.2015.0021
Twenge, J. M. (2017). iGen: Why today’s super-connected kids are growing up less rebellious, more tolerant, less happy and completely unprepared for adulthood and what that means for the rest of us. Simon and Schuster. ‏
Zulfikasari, S., Sulistio, B., & Aprilianasari, W. (2024). Utilization of Chat GPT Artificial Intelligence (AI) in Student’s Learning Experience Gen-Z Class. Lectura: Journal Pendidikan, 15(1), 259-272.
Salazar-Miranda, A., Fan, Z., Baick, M. B., Hampton, K. N., Duarte, F., Loo, B. P., & Ratti, C. (2024). Shifting Patterns of Social Interaction: Exploring the Social Life of Urban Spaces through AI (No. w33185). National Bureau of Economic Research.

Full-Text:



 

سال چهاردهم ـ شماره­ی پنجاه و سوم ـ زمستان 1403

صص 139- 107 

 

مطالعه جامعه­شناختی تاثیر هوش مصنوعی بر الگو­های تعاملات اجتماعی شهری، تحلیلی بر نسل زد در اصفهان

 

میثم غلامی¹، سید ناصر حجازی²، اسماعیل باقری³

10.71547/urb.2025.1209675

 

 

چکیده

با شتاب روز افزون فناوری‌های هوش مصنوعی، نحوه تعاملات اجتماعی نسل زد دچار دگرگونی‌های اساسی شده است. هدف پژوهش حاضر، بررسی تأثیر هوش مصنوعی بر الگوهای تعاملات اجتماعی نسل زد در شهر اصفهان است. این پژوهش از نظر روش، پیمایشی؛ از حیث زمان، مقطعی؛ از نظر هدف، کاربردی؛ و از لحاظ گستره، پهنانگر است. جامعه آماری مورد مطالعه گروه سنی 15 تا 29 سال (نسل زد) ساکن در شهر اصفهان است که جمعیت آن بر طبق آخرین سرشماری سال 1395 تعداد 451038 نفر بوده که با استفاده از نرم‌افزار­Sample Power، حجم نمونه ۳۴۰ نفر تعیین و به روش نمونه‌گیری سهمیه‌ای متناسب با حجم جامعه انتخاب شد. ابزار گردآوری داده‌ها، پرسش‌نامه محقق ‌ساخته‌ بوده که روایی آن از طریق اعتبار صوری، با نظر متخصصان و پایایی آن با استفاده از ضریب آلفای کرونباخ تأیید شد. برای تحلیل داده‌ها از نرم‌افزارهای SPSS و AMOS نسخه ۲۴ استفاده گردید. نتایج نشان داد، میانگین تعاملات اجتماعی شهری نسل زد (50.93) به‌دست آمده که اندکی بالاتر از میانگین معیار (50) است و سطحی نسبتاً متوسط از تعاملات را نشان می‌دهد. در تحلیل ابعاد، میانگین بعد کالبدی (18.45) پایین‌تر از معیار خود (34)، بعد ساختاری (16.27) تقریباً برابر با معیار (16) و بعد نمادین (16.20) اندکی بالاتر از معیار مربوطه (15.5) بوده است که بیانگر نوعی توازن نسبی در عملکرد ابعاد است. در مقابل، میانگین استفاده از هوش مصنوعی با رقم (93.76) پایین‌تر از میانگین معیار (102) بوده و بیانگر فاصله این نسل با بهره‌برداری تخصصی از ظرفیت‌های این فناوری است. همچنین، تحلیل مدل معادلات ساختاری نشان داد هوش مصنوعی ۶۳ درصد از واریانس الگوهای تعاملات اجتماعی را تبیین می‌کند (۰٫۷۹β =­، ۰٫۰۰۱p ≤)؛ که این ضریب مسیر بالا و معنادار، حاکی از تأثیر قابل‌توجه و مثبت فناوری‌های هوشمند بر نحوه شکل‌گیری و تقویت تعاملات اجتماعی در میان نسل زد ساکن شهر اصفهان است.

کلید واژه­ها: تعاملات اجتماعی، هوش مصنوعی، نسل زد، کالبدی، ساختاری، نمادین.

 

مقدمه و بیان مسئله

تحولات عمیق در جهان معاصر به ­ویژه در زمینه فناوری‌های اطلاعاتی و ارتباطی، ساختارهای اجتماعی و فرهنگی را به شکل بی‌سابقه‌ای دگرگون کرده است. ظهور ابزار­های هوشمند به ‌عنوان یکی از مؤلفه‌های کلیدی این تغییرات، جریان‌های سنتی تمدن را متحول و به ظهور نسل زد ⁴منجر شده است؛ نسلی که در فضایی دیجیتالی رشد کرده و تعاملات روزمره خود را با ابزارهای نوین، به­­ ویژه ابزار‌های هوشمند و شبکه‌های اجتماعی، سامان می‌دهد.

نسل زد به گروهی از افراد اطلاق می‌شود که در بازه زمانی سال‌های ۱۳۷۴ تا ۱۳۸۹ خورشیدی متولد شده‌اند. این نسل اعتماد به نفس بالایی دارند و به والدین خود چندان متکی نبوده و استقلال در کار را ترجیح می‌دهند. آنان توسط یک طرز فکر خلاق هدایت شده‌اند که در آن به ابزارهای خلاقانه برای رسیدن به اهداف خود متوسل می‌شوند (میجانی و همکاران،196:1401). ذولفیکساری⁵(2024) اعتقاد دارد نسل زد اولین نسلی هستند که با فناوری و رسانه‌های اجتماعی به عنوان بخشی جدایی ناپذیر از زندگی رشد کرده‌اند. نسل زد نسلی اجتماعی است که به‌راحتی و بدون محدودیت‌های مکانی و زمانی با دیگران ارتباط برقرار می‌کند. این ویژگی به آن‌ها امکان می‌دهد تا تعاملات اجتماعی گسترده‌تری را تجربه کرده و به‌طور مؤثری با سایر افراد در ارتباط باشند (ذولفیکساری،262:2024). نسل زد را با عناوینی همچون بومیان دیجیتال (پرنسکی⁶،2001)، نسل اپلیکیشن (گراندر و دیویس⁷،2013)، نسل آیفون (تونج⁸،2017) و نسل نت (لیو⁹و همکاران،2021) می­شناسند و به دلیل استفاده بیش از حد از فناوری به نسل خاموش و یا نسل بعدی نیز می­نامند (مورگان¹⁰،11:2014). این عناوین به وضوح نشان‌دهنده‌ ارتباط نزدیک این نسل با فناوری و برآیند آن بر سبک زندگی و تعاملات اجتماعی آن‌ها است.

پژوهش‌های متعدد نشان می‌دهند که نسل زد تمایل بیشتری به استفاده از فناوری­های هوشمند مخصوصاً هوش مصنوعی دارد. سمیلر و گریس¹¹ (2016)، سینگ و دانگمی¹² (2016) و تونج (2017) همه بر این تغییرات عمیق در رفتارهای اجتماعی نسل زد تأکید کرده‌اند. همچنین، گزارش‌های اخیر از جمله مطالعات موسسه GWI (2024)، سالس فورث¹³ (2024) و تحقیقات دانشگاه هاروارد (ناگلهوت¹⁴،­2024) نشان می‌دهند که بیش از نیمی از افراد نسل زد هوش مصنوعی را یکی از اجزای اساسی زندگی خود می‌دانند. این تحقیقات حاکی از آن است که هوش مصنوعی نقش مهمی در شکل‌گیری زندگی اجتماعی این نسل ایفا می‌کند.

هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و مدل‌های یادگیری است که با تحلیل داده‌ها و پیش‌بینی نتایج، به ‌صورت خودکار با محیط تعامل می‌کند و تأثیرات قابل‌توجهی بر رفتارهای اجتماعی گذاشته است (چن و وانگ¹⁵، 2024). این فناوری، با در نظر گرفتن ویژگی‌ها و تجربیات دیجیتالی نسل زد، به شکل‌گیری الگوهای نوین اجتماعی کمک کرده و ابزارهایی را فراهم آورده که می‌توانند فعالیت‌های تکراری را خودکار، تصمیمات را هوشمند و ارتباطات را هدفمند کنند (بوگز¹⁶­و همکاران، 2023؛ ترنر¹⁷، 2015؛ رادئور¹⁸،63:2023). در نتیجه، هوش مصنوعی نه ‌فقط تعاملات اجتماعی را تسهیل می‌کند، بلکه با تحلیل ترجیحات و رفتار نسل زد، بستر توسعه الگوهای جدید شهری و مشارکت جمعی را نیز فراهم می‌سازد.

هوش مصنوعی با تحلیل داده‌ها و تجربه‌های شهری، شکل نوینی از ارتباطات هدفمند را فراهم کرده است. برای نمونه، نسل زد هنگام انتخاب مکان‌هایی برای حضور جمعی مانند کافه‌ها یا رستوران‌ها، به توصیه‌های الگوریتم‌های هوشمند در اپلیکیشن‌هایی چون گوگل‌مپ یا اسنپ‌ فود تکیه می‌کند. این پیشنهادهای مبتنی بر داده، نه ‌فقط تعاملات را هدایت می‌کنند، بلکه نوع فضاها و الگوهای رفتاری اجتماعی را نیز بازتعریف می‌نمایند. در عین حال، هرچند سامانه­های مبتنی بر هوش مصنوعی دسترسی و گستره تعاملات را افزایش داده‌اند، اما به ­نظر می­رسد منجر به تغییرات کیفیت تعاملات افراد در فضاهای عمومی نیز شده‌اند. این جابجایی از ارتباطات سنتی به تعاملات دیجیتال، چالش‌های جدیدی را در برنامه‌ریزی شهری مطرح کرده است. 

هوش مصنوعی منجر به خلق مناسک و هنجارهای جدیدی در میان نسل زد شده است که به بازتعریف هویت جمعی انجامیده است. برای مثال، استفاده گسترده این نسل از فیلترهای چهره و ابزارهای ویرایش تصویر مبتنی بر هوش مصنوعی در شبکه‌های اجتماعی مانند اینستاگرام، ابراز هویت فردی را به فرآیندی دیجیتال و باز تعریف ‌شده تبدیل کرده که در آن ظاهر، احساسات و حتی سبک زندگی در چارچوبی الگوریتمی بازنمایی می‌شود. مطابق دیدگاه جامعه شناس مشهور دورکیم، مناسک اجتماعی ابزاری برای انسجام و بازتولید هویت جمعی‌اند(دورکیم¹⁹،425:1995)؛ از این منظر، هوش مصنوعی به‌عنوان عاملی تأثیرگذار، نه‌تنها الگوهای تعاملات اجتماعی در شهرها را دگرگون کرده، بلکه با گسترش دامنه ارتباطات، به شکل‌گیری مناسک جدیدی در میان نسل زد منجر شده است. این مناسک اغلب در بسترهای دیجیتال شکل می‌گیرند و فرآیند بازتعریف هویت فردی و نقش‌های اجتماعی را تسریع می‌کنند.

نسل زد در اصفهان در تقاطع سنت و مدرنیته، الگوی منحصر به ‌فردی از هویت ‌پذیری و ارتباطات اجتماعی را تجربه می‌کند؛ به ‌عنوان نمونه، استفاده هم‌زمان از شبکه‌های اجتماعی مانند اینستاگرام برای ابراز هویت فردی، در کنار مشارکت در مراسم سنتی مانند آیین‌های محلی یا مذهبی، نشان‌دهنده تلفیق ارزش‌های نوگرایانه با عناصر فرهنگی بومی است. همچنین، تمایل به حضور در فضاهای عمومی مدرن مانند کافه‌ها و مجتمع‌های تجاری در کنار حفظ برخی روابط خانوادگی، نمونه‌ای دیگر از این ترکیب هویتی است. به طور خلاصه درک تعاملات اجتماعی نسل زد در شهرهای امروزی، تنها با نگاهی تک ‌بعدی به فضا یا فناوری ممکن نیست؛ بلکه نیازمند تحلیل چندسطحی است که بتواند از یک سو اثرات فناوری را بر تجربه فضا و از سوی دیگر بازتاب کنش اجتماعی نسل جدید را بر طراحی و کارکرد فضاهای شهری مورد توجه قرار دهد. پژوهش حاضر درصدد پاسخ به این سوال است که، هوش مصنوعی به عنوان یک فناوری نوین، چه تاثیری بر الگو­های تعاملات اجتماعی نسل زد در شهر اصفهان دارد؟

 

پیشینه پژوهش

اشراقی و همکاران (2025) در پژوهشی با عنوان «چارچوبی مبتنی بر هوش مصنوعی برای بهینه ‌سازی سریع و محلی فضاهای باز شهری» به بررسی نقش الگوریتم‌های هوش مصنوعی در طراحی فضاهای شهری پرداخته‌اند. آن‌ها با استفاده از مدل‌های یادگیری ماشین و چارچوبی چند مرحله‌ای شامل شبیه‌ سازی محیط، ارزیابی عملکرد طراحی و بهینه‌سازی، نشان داده‌اند که حتی تغییرات جزئی در پارامترهایی مانند ارتفاع ساختمان‌ها، فاصله‌ی آن‌ها از یکدیگر، میزان دید به آسمان و دسترسی بصری، می‌تواند تأثیر قابل توجهی بر احساس امنیت، راحتی و تعامل اجتماعی شهروندان بگذارد. پژوهش حاضر از یک چارچوب داده‌ محور و تعاملی برای تحلیل و طراحی فضاهای باز شهری بهره گرفته و از الگوریتم‌های یادگیری ماشین برای استخراج الگوهای رفتاری و ترجیحات انسانی استفاده کرده است. نتایج این پژوهش تأکید می‌کند که هوش مصنوعی می‌تواند به عنوان ابزاری کارآمد در شکل‌دهی هدفمند به رفتارها و تعاملات انسانی در شهر به‌ کار گرفته شود.

خزایی و همتی (1404) در پژوهشی با عنوان «امکان‌سنجی تزاحم و تعارض هوش مصنوعی با حقوق بشر و شهروندی: چالش‌ها و راهکارها» با بهره‌گیری از روش توصیفی–تحلیلی و گردآوری داده‌ها به شیوه کتابخانه‌ای، به بررسی ابعاد حقوقی و اخلاقی توسعه هوش مصنوعی پرداخته‌اند. در این پژوهش، چالش‌هایی از جمله نقض حریم خصوصی نظیر تشخیص چهره و نظارت‌های بدون کنترل، تبعیض‌های الگوریتمی، به­کارگیری تسلیحات خودکار مبتنی بر هوش مصنوعی، انتشار اطلاعات جعلی و دستکاری اجتماعی و کاهش فرصت‌های شغلی شناسایی شده‌اند. پژوهشگران به این نتیجه رسیده‌اند که هرچند چنین اقدامی می‌تواند به تعیین مسئولیت‌ها و پاسخ‌گویی کمک کند، اما در عین حال ممکن است مرز میان انسان و ماشین را مبهم و حقوق بنیادین انسان را تضعیف نماید. 

حمزه‌ئی و همکاران (1403) در پژوهشی با عنوان «شهر هوشمند، محوری مؤثر در ارتقای سرزندگی شهری» با استفاده از روش توصیفی–تحلیلی و تحلیل داده‌ها از منابع کتابخانه‌ای و اسنادی، به بررسی نقش فناوری‌های نوین اطلاعات و ارتباطات در تقویت سرزندگی فضاهای شهری پرداخته‌اند. آن‌ها بر اساس مرور مبانی نظری و تجربیات شهرهای هوشمند، نتیجه گرفته‌اند که به‌ کارگیری فناوری‌های هوشمند می‌تواند حضور، مشارکت و تعاملات اجتماعی شهروندان را در فضاهای عمومی افزایش داده و در نتیجه، سرزندگی این فضاها را بهبود بخشد.

گودرزی و دالوند (1403) در پژوهشی با عنوان «نقش هوش مصنوعی در توسعه حمل ‌و نقل شهر اهواز»، با بهره‌گیری از روش توصیفی–تحلیلی و ابزار پرسشنامه، به بررسی نقش فناوری هوش مصنوعی در بهبود سیستم حمل ‌و نقل شهری پرداخته‌اند. نتایج نشان می‌دهند که مؤثرترین عامل در بهبود حمل ‌و نقل، ایمنی و نظارت است و پس از آن، شاخص‌هایی مانند مدیریت ناوگان، بهینه‌سازی مسیر، مدیریت ترافیک هوشمند و وسایل نقلیه خودران نقش‌آفرینی می‌کنند. پژوهشگران تأکید دارند که موفقیت در پیاده‌سازی هوش مصنوعی در حمل‌ونقل شهری اهواز، وابسته به توسعه زیرساخت‌های دیجیتال، تربیت نیروی انسانی متخصص و ایجاد نظام حکمرانی هماهنگ میان نهادهای مرتبط است.

کریمیان ششده و همکاران (1403) در پژوهشی با عنوان «تحلیل تأثیر طراحی فضاهای عمومی بر کیفیت زندگی شهری و تعاملات اجتماعی» با بهره‌گیری از روش توصیفی–تحلیلی و گردآوری داده‌ها از طریق مطالعات کتابخانه‌ای و اسنادی، به بررسی نقش طراحی فضاهای عمومی در بهبود شرایط زندگی شهروندان پرداخته‌اند. یافته‌های این پژوهش نشان می‌دهد که طراحی اصول‌مند فضاهای عمومی، با در نظر گرفتن عواملی مانند دسترسی، تنوع کاربری، کیفیت محیطی و ایجاد حس امنیت، می‌تواند به ارتقای کیفیت زندگی شهری، تقویت تعاملات اجتماعی، مشارکت شهروندان و افزایش حس تعلق به مکان منجر شود. همچنین، این فضاها به عنوان بسترهایی برای تبادل فرهنگی و شکل‌گیری ارتباطات غیررسمی، نقشی کلیدی در پویایی و انسجام اجتماعی ایفا می‌کنند.

انوشه‌یی و رضایی (1402) در پژوهشی با عنوان «ارزیابی نقش ابزارهای هوش مصنوعی در توسعه مدیریت شهری» با استفاده از روش کاربردی و پیمایشی و بهره‌گیری از پرسشنامه، به بررسی اثرگذاری ابزارهای هوش مصنوعی بر بهبود عملکرد مدیریت شهری پرداخته‌اند. داده‌ها از میان مدیران و کارکنان شهرداری گردآوری و با استفاده از مدل معادلات ساختاری تحلیل شده‌اند. نتایج نشان می‌دهد که شاخص‌هایی نظیر ساختار درونی مدیریت شهری، چابکی استراتژیک، اثر بخشی سازمانی و رویکرد سیستماتیک هوشمند تأثیر قابل‌توجهی بر خلق ارزش و ارتقای راهبردهای مدیریتی دارند. پژوهشگران تأکید می‌کنند که ارتقای کیفیت زیست شهری در ابعاد کالبدی، اجتماعی و عملکردی، در گرو برنامه‌ریزی هوشمند و به ‌کارگیری ابزارهای نوین هوش مصنوعی است.

مائورو²⁰ و همکاران (2025) در پژوهشی با عنوان «تأثیر هوش مصنوعی بر شهرها: مدل‌سازی بازخوردهای رفتاری در سیستم‌های پیشنهادگر مکان» با طراحی یک چارچوب شبیه‌سازی باز مبتنی بر داده‌های واقعی تحرک شهری، به بررسی اثرات متقابل بین الگوریتم‌های پیشنهاد دهنده و الگوهای رفت‌ و آمد شهروندان پرداخته‌اند. این پژوهش با رویکردی تجربی، اثرات احتمالی پیشنهاد مکان‌های بازدید را بر رفتار جمعی و فردی تحلیل کرده است. نتایج نشان می‌دهد که اگرچه این الگوریتم‌ها باعث افزایش تنوع رفت‌وآمد در سطح فردی می‌شوند، در سطح کلان، به تمرکز بازدیدها بر تعداد محدودی مکان محبوب منجر شده و در نتیجه توزیع نابرابر توجه و شلوغی در سطح شهر را تشدید می‌کنند.

کوگورولو²¹و همکاران (2024) در پژوهشی با عنوان «ظهور شهرسازی مبتنی بر هوش مصنوعی در شهرهای پساهوشمند» با رویکردی نظری-انتقادی و بهره‌گیری از تحلیل مفهومی، به بررسی تمایز میان «شهر هوشمند» و پدیده نوظهور «شهر هوش مصنوعی» پرداخته‌اند. آن‌ها با تکیه بر مطالعات موردی و تحلیل روندهای فناورانه، نشان می‌دهند که ورود هوش مصنوعی به عرصه شهرسازی، نه ‌تنها زیر ساخت‌ها و خدمات شهری را متحول می‌سازد، بلکه به‌طور بنیادین رفتارهای انسانی و نحوه کنش انسان در فضاهای شهری را نیز دگرگون می‌کند. در این چارچوب، انسان بخشی از تصمیم‌گیری و اختیار خود را به سامانه‌های هوشمند واگذار می‌کند و این تعامل جدید، به باز تعریف نقش انسان، هویت شهری و شیوه زیست در شهر آینده می‌انجامد.

سالازار میرندا²² و همکاران (2024) در پژوهشی با عنوان «الگوهای متغیر تعامل اجتماعی: بررسی حیات اجتماعی فضای شهری از طریق هوش مصنوعی» با استفاده از ابزارهای بینایی کامپیوتری و مدل‌های یادگیری عمیق، به تحلیل داده‌های ویدئویی آرشیوی و معاصر از فضاهای عمومی چهار شهر ایالات متحده طی بازه‌ای ۳۰ ساله پرداخته‌اند. در این مطالعه تطبیقی، شاخص‌هایی مانند سرعت پیاده‌روی، مدت‌زمان توقف افراد و فراوانی تعاملات گروهی مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که در دهه‌های اخیر، زمان توقف افراد در فضاهای عمومی کاهش یافته، سرعت حرکت افزایش یافته و تعاملات اجتماعی به‌شدت افت کرده است. این یافته‌ها بیانگر آن است که فضاهای عمومی، به ‌جای ایفای نقش به‌عنوان بستر تعاملات اجتماعی، بیش‌تر به مسیرهای عبوری با کارکرد صرفاً عملکردی تبدیل شده‌اند؛ تغییری که پیامدهای قابل‌توجهی برای کیفیت زندگی شهری و انسجام اجتماعی به همراه دارد.

لهتیو²³و همکاران (2023) در پژوهشی با عنوان «درک برداشت شهروندان از هوش مصنوعی در شهر هوشمند» با استفاده از رویکرد کیفی و اجرای نظر سنجی مقدماتی به همراه مصاحبه‌های روایی نیمه ‌ساختار یافته، به تحلیل نگرش شهروندان فنلاندی نسبت به کاربرد هوش مصنوعی در محیط‌های شهری پرداخته‌اند. نتایج پژوهش نشان می‌دهد که نگرش شهروندان ترکیبی از علاقه، کنجکاوی، تردید و نگرانی است. افراد تمایل دارند در صورتی از خدمات مبتنی بر هوش مصنوعی استفاده کنند که این خدمات منجر به افزایش بهره ‌وری، امنیت و کیفیت زندگی روزمره شود. در عین حال، نگرانی‌هایی در خصوص نقض حریم خصوصی، نظارت دائمی و جایگزینی تعامل انسانی با سامانه‌های خودکار وجود دارد. مشارکت ‌کنندگان همچنین تأکید داشته‌اند که نقش هوش مصنوعی باید حمایتی و مکمل انسان باشد، نه جایگزین یا کنترل‌گر.

بیشتر تحقیقات پیشین یا به جنبه‌های فناورانه و اقتصادی هوش مصنوعی پرداخته‌اند یا به‌طور کلی به تأثیر آن بر ساختارهای اجتماعی نگریسته‌اند، در حالی‌ که این پژوهش با تمرکز خاص بر نسل زد، به ‌عنوان نسلی که بیشترین درگیری و انسجام را با فناوری‌های نوین دارد، به بررسی تحولات تعاملات اجتماعی در بستر زندگی شهری پرداخته است. رویکرد جامعه‌شناختی تلفیقی این تحقیق، که از نظریه‌های جامعه‌شناسی دیجیتال بهره می‌گیرد افقی نو در تحلیل دگرگونی‌های اجتماعی را ترسیم می‌کند. برخلاف پژوهش‌هایی که صرفاً به تغییر ابزارهای ارتباطی پرداخته‌اند. این مطالعه بر تحول در الگوهای تعاملات اجتماعی تمرکز دارد و به بررسی چگونگی بازتعریف روابط، شبکه‌های اجتماعی در مواجهه با فناوری هوش مصنوعی می‌پردازد.

        

مبانی و چارچوب نظری

نظریه «بازنمایی خود در زندگی روزمره» که توسط گافمن²⁴ در سال 1959 مطرح شد، یکی از مهم‌ترین نظریه‌های سطح خرد در جامعه‌شناسی است. گافمن معتقد بود که زندگی اجتماعی را می‌توان همانند یک نمایش تئاتری در نظر گرفت که در آن هر فرد، بازیگری است که در موقعیت‌های گوناگون اجتماعی نقش‌های متفاوتی را ایفا می‌کند. او این فرآیند را «نمایش خود» می‌نامد و توضیح می‌دهد که افراد در حضور دیگران، همواره در تلاش‌اند تا تصویری مطلوب و پذیرفتنی از خود ارائه دهند. این تصویرسازی از طریق کنترل زبان بدن، نحوه گفتار، پوشش و حتی فضا و مکان تعامل صورت می‌گیرد (گافمن،17:1959). در این نظریه، گافمن دو بخش اصلی برای فضای تعامل تعریف می‌کند؛ جلو صحنه و پشت ‌صحنه. جلو صحنه جایی است که افراد در آن نقش اجتماعی خود را برای دیگران به نمایش می‌گذارند؛ برای مثال، فردی که در محل کار با ارباب‌رجوع صحبت می‌کند. در مقابل، پشت‌صحنه فضایی خصوصی‌تر است که فرد در آن آزادتر رفتار می‌کند و الزامی به اجرای نقش ندارد، مانند لحظه‌ای که همان فرد در منزل با خانواده تعامل می‌کند (گافمن،70:1959). گافمن این رفتار را «مدیریت تأثیر²⁵» می‌نامد و معتقد است که هر فرد به‌طور مستمر تلاش می‌کند تأثیر اجتماعی خاصی بر مخاطبان خود بگذارد. در عصر دیجیتال، نظریه گافمن کاربردهای تازه‌ای یافته و به ‌ویژه در تحلیل رفتار نسل زد اهمیت ویژه‌ای پیدا کرده است. نسل زد که در بستر شبکه‌های اجتماعی مانند اینستاگرام، اسنپ‌چت و تیک ‌تاک رشد کرده، به ‌طور مداوم در حال اجرای «خودِ دیجیتال» خویش است. در این فضاها، کاربران نسل زد همانند بازیگرانی بر روی صحنه، هویت خود را از طریق تولید و بازنشر محتوا، استفاده از فیلترهای چهره، کپشن‌های الگوریتمی و نمایش موقعیت مکانی طراحی می‌کنند. این نمایش به گونه‌ای مدیریت‌شده و انتخاب‌شده ارائه می‌شود که در راستای جلب توجه، تأیید یا پذیرش اجتماعی دیگران قرار گیرد. در واقع، شبکه‌های اجتماعی برای این نسل، همان صحنه جلو محسوب می‌شوند، در حالی که فضاهایی چون گفت ‌و گوهای خصوصی یا تعاملات خانوادگی، پشت ‌صحنه‌ای برای بازگشت به خودِ کمتر فیلترشده هستند. در شهرها، این بازنمایی دیجیتال با تجربه فیزیکی فضا ترکیب می‌شود. حضور در کافه‌ها، مراکز خرید یا مکان‌های شهری نه ‌تنها یک کنش فضایی، بلکه یک رفتار رسانه‌ای نیز هست. به ‌عنوان مثال، فردی از نسل زد هنگام حضور در یک کافه، هم‌زمان از فضای دیجیتال برای مستندسازی تجربه خود استفاده می‌کند و با کمک ابزارهای هوش مصنوعی (مانند فیلترهای چهره، موقعیت‌ یاب یا الگوریتم‌های محتوایی)، بازنمایی خاصی از خود را به اشتراک می‌گذارد. در این حالت، هویت فرد نه ‌تنها در کنش فیزیکی، بلکه در تعاملات دیجیتال شکل می‌گیرد و اینجاست که نظریه گافمن ابزاری کارآمد برای تحلیل تجربیات زیسته نسل زد در پیوند با فناوری‌های نوین می‌شود.

ترکل²⁶ در کتاب «بازپس‌گیری گفت‌وگو» بر این باور است که فناوری‌های دیجیتال به ‌ویژه گوشی‌های هوشمند و شبکه‌های اجتماعی، به شکل گسترده‌ای جای تعاملات عمیق و واقعی را گرفته‌اند و نوعی «بحران گفت‌وگو» ایجاد کرده‌اند. او معتقد است که وابستگی روز افزون به ارتباطات دیجیتال، باعث کاهش مهارت‌های همدلی، سطحی‌شدن روابط انسانی و تضعیف انسجام اجتماعی شده است. وی توضیح می‌دهد که در ارتباطات چهره ‌به ‌چهره، نشانه‌های غیرکلامی، نگاه، سکوت و حتی سکوت‌ها نقش مهمی در انتقال معنا دارند، در حالی‌که این ویژگی‌ها در پیام‌های کوتاه دیجیتالی از بین رفته‌اند (ترکل،11:2016).

به‌عقیده او، یکی از پیامدهای مهم این وضعیت، احساس تنهایی در جمع است؛ یعنی افرادی که در حضور فیزیکی دیگران نیز احساس انزوا دارند، زیرا تعاملاتشان از عمق و صداقت تهی شده است. ترکل تأکید می‌کند که «کنترل‌پذیری» ارتباط دیجیتال (مثلاً امکان ویرایش پیام یا حذف آن) باعث کاهش آسیب‌پذیری و صداقت در روابط می‌شود و در نهایت به بحران هویت و ضعف ارتباطی منجر خواهد شد (ترکل،42:2016). او راهکارهایی مانند ایجاد فضاهای فاقد فناوری، تمرین مهارت‌های شنیدن، و بازگشت به گفت‌وگوهای بدون واسطه را برای بازسازی روابط انسانی ضروری می‌داند. در بستر اجتماعی امروز، مفاهیم مطرح‌شده توسط ترکل را می‌توان به ‌خوبی در رفتار و الگوهای تعامل نسل زد مشاهده کرد. این نسل که در فضای دیجیتال رشد یافته، تجربه ارتباط حضوری‌اش با دیگران تا حد زیادی تحت‌تأثیر واسطه‌های فناورانه قرار دارد. برای مثال، حضور نسل زد در فضاهای عمومی نظیر کافه‌ها، مراکز خرید یا دانشگاه‌ها، اغلب همراه با استفاده هم ‌زمان از شبکه‌های اجتماعی است؛ به ‌گونه‌ای که تجربه مکان فیزیکی با نمایش آن در اینستاگرام یا تیک ‌تاک گره خورده است. اگرچه این نمایش ممکن است حس ارتباط و مشارکت را افزایش دهد، اما هم‌ زمان با آن، عمق ارتباطات حضوری کاهش یافته و روابط دیجیتال ‌محور به شکل غالب تعاملات اجتماعی تبدیل شده‌اند. از منظر ترکل، این دگرگونی باعث شکل‌گیری نوعی «ارتباط سطحی اما دائم» شده که اگرچه گسترده است، اما فاقد انسجام روانی و عاطفی است. این وضعیت در نسل زد به ‌ویژه در رفتارهای الگوریتمی‌شده آن‌ها نمود دارد؛ برای مثال، ترجیح ارتباط با افرادی که الگوریتم‌های هوش مصنوعی در اپلیکیشن‌ها پیشنهاد می‌دهند، یا هدایت تعاملات روزمره بر اساس پیشنهادهای خودکار سیستم‌های هوشمند. این الگوها منجر به فردگرایی تکنولوژیک و کاهش فرصت‌های تعامل اجتماعی عمیق در فضای شهری شده‌اند.

لافلند در کتاب خود با عنوان «کاوش در قلمرو اجتماعی اصیل شهر» مفهومی بنیادین در جامعه‌شناسی شهری را شرح می‌دهد که بر نقش فضاهای عمومی در شکل‌گیری روابط اجتماعی تمرکز دارد. او عرصه عمومی را به ‌عنوان بستر اجتماعی منحصر ‌به ‌فردی معرفی می‌کند که امکان تعامل‌های روزمره، مشاهده‌ زندگی دیگران و تجربه‌ی مدنیت شهری را برای افراد فراهم می‌سازد. در نگاه او، عرصه عمومی تنها یک مکان فیزیکی مانند پارک یا خیابان نیست، بلکه میدان پیچیده‌ای از روابط انسانی است که با ویژگی‌هایی چون آزادی، حضور غریبه‌ها و خودجوشی اجتماعی تعریف می‌شود (لافلند،9:2017). از دیدگاه وی، تعاملات اجتماعی در عرصه عمومی معمولاً میان افرادی صورت می‌گیرد که رابطه‌ پیشین و آشنایی شخصی با یکدیگر ندارند. این نوع تعامل، برخلاف روابط در محیط‌های خانوادگی یا سازمان‌ یافته، غالباً تصادفی، کوتاه‌ مدت و بدون الزام به تداوم است. این حضور در کنار «غریبه‌ها» به اعتقاد او، نه تنها تهدیدی برای نظم اجتماعی نیست، بلکه نشانه‌ بالندگی و باز بودن فضاهای شهری است؛ چرا که امکان تجربه‌ تنوع، یادگیری اجتماعی و تمرین بردباری فرهنگی در آن فراهم می‌شود (لافلند،45:2017). 

وی تصریح می‌کند که عرصه عمومی تنها جایی برای عبور و مرور یا حضور فیزیکی افراد نیست، بلکه مکانی است که هویت اجتماعی افراد در آن تقویت می‌شود. در این عرصه، حس مشاهده شدن، بخشی از تعریف خود فرد است؛ چرا که فرد با دانستن اینکه دیده می‌شود، خود را در ارتباط با هنجارهای اجتماعی تنظیم می‌کند. این «حضور در میان دیگران» نوعی نظم اجتماعی غیررسمی ایجاد می‌کند که به ‌مراتب پیچیده‌تر و نرم‌تر از نظام‌های رسمی حاکم بر عرصه‌های خصوصی یا سازمانی است (لافلند،99:2017). لافلند عرصه عمومی را فضاهایی تعریف می‌کند که افراد در آن با غریبه‌ها مواجه می‌شوند، تعامل می‌کنند، دیده می‌شوند و می‌بینند. این فضاها بستری هستند برای شکل‌گیری مدنیت، شناخت دیگری، تمرین مدارا و تجربه تنوع اجتماعی (لافلند،9:2017). لافلند تأکید می‌کند که این تعاملات باید تا حد ممکن خودجوش، آزادانه و فاقد کنترل بیرونی سخت باشند تا بتوانند به‌ درستی نقش اجتماعی خود را ایفا کنند (لافلند،119:2017).

با آن‌که لافلند مستقیماً به فناوری‌های نوین اشاره نکرده، نظریه‌ او ابزاری مؤثر برای تحلیل اثرات اجتماعی هوش مصنوعی در فضاهای شهری است. فناوری‌هایی مانند هوش مصنوعی با افزایش نظارت و کاهش خود انگیختگی، می‌توانند تعاملات آزادانه را محدود کرده و عرصه عمومی را به فضایی کنترل‌ شده و تجاری ‌شده تبدیل کنند. این وضعیت ممکن است منجر به کاهش عمق روابط اجتماعی شود. با این حال، ابزارهایی چون اپلیکیشن‌های مکان‌ محور می‌توانند فرصت‌هایی برای تعامل و مشارکت فراهم کنند، به ‌­ویژه برای نسل‌های جوان. اما چون این تعاملات نیز تحت هدایت الگوریتم‌ها هستند، شکل ‌گیری روابط اجتماعی از الگوهای داده‌محور تبعیت می‌کند. بنابراین، هوش مصنوعی هم می‌تواند ظرفیت‌هایی برای عرصه عمومی ایجاد کند و هم تهدیداتی برای آن داشته باشد؛ چرا که نه‌تنها فضا را فناورانه، بلکه اجتماعی، فرهنگی و نمادین نیز بازتعریف می‌کند.

کاستلز²⁷، جامعه‌شناس برجسته اسپانیایی، از تأثیرگذارترین نظریه ‌پردازان در حوزه جامعه‌شناسی فناوری، شهر و ارتباطات است. یکی از مفاهیم کلیدی در آثار او، مفهوم فضای جریان‌ها²⁸ است. این مفهوم یکی از پایه‌های نظری تحلیل او از شهر دیجیتال و جامعه شبکه‌ای به شمار می‌رود (کاستلز،442:2000). کاستلز معتقد است که ورود فناوری‌های اطلاعاتی، به ‌­ویژه اینترنت و شبکه‌های دیجیتال، ساختارهای سنتی زمان و مکان را دگرگون کرده است. او تأکید می‌کند که در جامعه‌ معاصر، فضا دیگر صرفاً یک بستر فیزیکی برای حضور افراد یا اشیا نیست، بلکه به فضایی تبدیل شده که در آن اطلاعات، سرمایه، قدرت و حتی کنش‌های اجتماعی از طریق شبکه‌ها و جریان‌ها شکل می‌گیرند و جا به‌ جا می‌شوند. این فضا را او «فضای جریان‌ها» می‌نامد، در مقابل «فضای مکان‌ها» که در نظم سنتی وجود داشت (کاستلز،407:2000). کاستلز فضای جریان‌ها را شامل سه لایه می‌داند: زیرساخت‌های فناورانه، شبکه‌های اجتماعی سازمانی و برنامه‌ ریزی فرهنگی از طریق محتوا و الگوریتم‌ها (کاستلز، 442:2000). در این فضا، شهر نه‌تنها مجموعه‌ای از ساختمان‌ها بلکه بستری دیجیتال برای تعاملات هم‌ زمان فیزیکی و مجازی است؛ جایی که فناوری‌هایی مثل هوش مصنوعی و داده‌های بزرگ نقش محوری دارند.

در این ساختار، تعاملات اجتماعی توسط الگوریتم‌ها و سیستم‌های هوشمند هدایت می‌شوند؛ افراد برای انتخاب مسیر، ارتباط یا تصمیم‌گیری به فناوری‌های مبتنی بر هوش مصنوعی متکی‌اند. به­ ویژه نسل زد، هویت و ارتباطات خود را در شبکه‌های دیجیتال می‌سازد، نه در فضاهای سنتی شهری. این نشان می‌دهد که شهر به گره‌ای در شبکه‌های اطلاعاتی بدل شده و روابط اجتماعی در بستر دیجیتال باز تعریف می‌شوند (کاستلز، 443:2000). این دیدگاه در تبیین رفتار نسل زد، نسلی که بیشتر هویت و تعاملات خود را از طریق فضای مجازی می‌سازد، بسیار کاربرد دارد. کاستلز با طرح این مفاهیم، نخستین نظریه ‌پردازی است که شهر را نه‌ تنها به ‌عنوان محل استقرار افراد، بلکه به ‌عنوان گره‌ای در شبکه‌های دیجیتال و میدان کنش در «فضای جریان‌ها» باز تعریف می‌کند. نظریه او از فضای دیجیتال، به‌خوبی پایه‌ای مفهومی برای فهم جامعه‌ای است که در آن تعاملات اجتماعی توسط فناوری‌هایی مانند هوش مصنوعی نه‌فقط تسهیل، بلکه هدایت و شکل‌دهی می‌شوند. کاستلز بر این باور است که در جامعه شبکه‌ای، شهر دیگر صرفاً یک ساختار فیزیکی از خیابان و میدان نیست، بلکه به بستری از «جریان‌ها» تبدیل شده است؛ جریان‌هایی از اطلاعات، سرمایه، قدرت و معنا. در این فضا، روابط اجتماعی نه در بستر مکان‌های سنتی، بلکه در شبکه‌هایی اتفاق می‌افتند که با زیرساخت‌های فناورانه پیوند دارند(کاستلز،442:2000).

کاربرد عملی این نظریه در زمینه هوش مصنوعی و نسل زد، زمانی روشن می‌شود که توجه کنیم نسل زد در محیطی رشد یافته که جریان‌های دیجیتال جایگزین بسیاری از ارتباطات چهره ‌به‌ چهره سنتی شده‌اند. این نسل با بهره‌گیری از بسترهایی مانند اینستاگرام، گوگل ‌مپ، اسنپ‌ فود یا تیک‌تاک، تعاملات اجتماعی، اقتصادی و فرهنگی خود را نه بر مبنای مکان ثابت، بلکه بر اساس «جریان‌های داده» تعریف می‌کند. برای مثال، انتخاب محل قرار ملاقات، خرید یا حتی شکل‌گیری ارتباطات دوستی، همگی با الگوریتم‌های پیشنهاد دهنده و داده‌های مکانی و رفتاری هدایت می‌شوند. این ابزارها نه‌تنها «فضای دیجیتال» را شکل می‌دهند، بلکه تجربه افراد از فضای شهری فیزیکی را نیز باز تعریف می‌کنند. در شهر اصفهان، مصداق این مفهوم را می‌توان در رفتار روزمره نسل زد مشاهده کرد. برای نمونه، نوجوانی که با استفاده از اپلیکیشن اسنپ‌ فود بر اساس الگوریتم‌های هوش مصنوعی، بهترین کافه نزدیک خود را انتخاب می‌کند، سپس آن مکان را در استوری اینستاگرام خود بازنمایی کرده و با دوستان خود در همان فضا تعامل می‌کند، در واقع در فضای جریان‌ها زندگی می‌کند. فضا برای او نه صرفاً «خیابان یا کافه»، بلکه شبکه‌ای از داده، موقعیت مکانی، تصمیم الگوریتمی و بازنمایی دیجیتال است. اینجاست که مرز بین فضای دیجیتال و فضای شهری محو می‌شود و هوش مصنوعی به واسطه‌ای برای درک و بازتولید فضا تبدیل می‌گردد.

نظریه جامعه‌شناسی نوین شهری که توسط گاتدینر و هاچیسون²⁹ مطرح شده، بر خلاف دیدگاه‌های سنتی درباره شهر، تلاش می‌کند شهر را نه ­فقط به عنوان یک ساختار فیزیکی یا اقتصادی، بلکه به عنوان محصولی اجتماعی تحلیل کند. آن‌ها بر این نکته تأکید دارند که فضا در شهر صرفاً ظرفی خنثی نیست، بلکه ساخته و پرداخته کنش‌های انسانی، روابط قدرت و فرآیندهای اجتماعی است (گاتینر و هاچیسون،­21:2011). آن­ها معتقدند که فضاهای شهری در بستر تعامل میان سرمایه، فرهنگ و فناوری شکل می‌گیرند. به عبارتی دیگر، شکل‌گیری محلات شهری، نحوه‌ طراحی خیابان‌ها، مراکز خرید، فضاهای عمومی و حتی نظام حمل ‌و نقل، همه تحت تأثیر ساختارهای کلان‌تری چون اقتصاد سیاسی و منطق سرمایه‌داری هستند. آن‌ها بیان می‌کنند: «فضای شهری از طریق تعامل نیروهای اقتصادی، سیاسی و فرهنگی تولید می‌شود، نه اینکه صرفاً پس‌زمینه‌ای برای زندگی اجتماعی باشد» (گاتینر و هاچیسون،­25:2011).  در این نظریه، شهر به ‌مثابه یک سیستم پیچیده دیده می‌شود که در آن ساختارهای اجتماعی و کالبدی در تعامل دائم هستند. یعنی نه‌ تنها فرم فیزیکی شهر بر روابط اجتماعی اثر می‌گذارد، بلکه بالعکس، روابط اجتماعی نیز در بازتولید و تغییر ساختار فیزیکی شهر نقش دارند. در این دیدگاه، شهر صرفاً ساخته نمی‌شود، بلکه زیسته می‌شود. شهروندان نه ‌تنها از فضا استفاده می‌کنند، بلکه آن را تفسیر، معناپردازی و بازتعریف می‌کنند (گاتینر و هاچیسون،­33:2011). آن‌ها به ظهور شهر هوشمند و تأثیرات دیجیتالی شدن فضاهای شهری می‌پردازند و تأکید می‌کنند که زیرساخت‌های اطلاعاتی، مانند نظارت دیجیتال، داده‌کاوی شهری و هوش مصنوعی اکنون بخشی از ساختار قدرت شهری محسوب می‌شوند. آن‌ها می‌نویسند:

«فناوری در چشم‌انداز شهری ریشه دوانده است و نه تنها زیرساخت‌ها، بلکه الگوهای تعامل و نظارت انسانی را نیز شکل می‌دهد.» (گاتینر و هاچیسون،­156:2011). در نتیجه، فناوری‌های نو مانند هوش مصنوعی تنها تسهیل‌گر نیستند، بلکه به‌ عنوان عوامل ساختاری در شکل‌دهی به روابط اجتماعی، مدیریت فضا و کنترل اجتماعی عمل می‌کنند. به این ترتیب، نظریه جامعه‌شناسی نوین شهری فراتر از رویکردهای سنتی قادر است پیچیدگی‌های شهر معاصر را در بستر فناوری‌های پیشرفته نیز تحلیل کند. در این نظریه، فناوری‌های نو ظهور مانند هوش مصنوعی، فقط ابزارهایی کارآمد در مدیریت شهری تلقی نمی‌شوند، بلکه نقش فعالی در بازتعریف روابط اجتماعی و الگوهای رفتاری شهروندان ایفا می‌کنند. گاتدینر و هاچیسون بر این نکته تأکید دارند که شهر امروز، بیش از گذشته درگیر زیرساخت‌های اطلاعاتی و دیجیتال است و این زیرساخت‌ها بر شیوه تجربه فضا و نوع تعاملات اجتماعی تأثیر می‌گذارند. آن‌ها فضای شهری را نه‌ تنها به‌عنوان بستر فیزیکی، بلکه به‌عنوان «فضای اجتماعی» می‌بینند که به وسیله عوامل متعددی از جمله الگوریتم‌ها، فناوری‌های هوشمند و داده‌های کلان، بازتولید می‌شود. از نگاه این نظریه، تعاملات اجتماعی شهری تحت تأثیر مستقیم عواملی چون طراحی فضاهای عمومی، ساختارهای قدرت و اکنون به طور فزاینده‌ای فناوری‌هایی مانند هوش مصنوعی قرار دارند. در این نظریه، ارتباط میان متغیرها نه به صورت خطی، بلکه به‌صورت تعاملی و چرخه‌ای درک می‌شود. به این معنا که هوش مصنوعی به عنوان یک فناوری ساختاری، بر نحوه تجربه فضا توسط شهروندان تأثیر می‌گذارد؛ این تجربه، شامل احساس امنیت، راحتی یا تعلق به فضا است. سپس این تجربه به نوبه خود، بر تعاملات اجتماعی تأثیر می‌گذارد؛ از جمله اینکه آیا افراد تمایل دارند در یک فضا حضور یابند با دیگران ارتباط برقرار کنند یا خود را منزوی سازند. در نهایت، همین تعاملات اجتماعی، بازخوردی به ساختار شهری می‌دهند و بر سیاست‌گذاری‌های آتی، طراحی شهری و گسترش فناوری‌ها اثرگذار خواهند بود. به این ترتیب، یک چرخه تعاملی میان فناوری (هوش مصنوعی)، فضا (فضای اجتماعی شهری) و کنش (تعامل اجتماعی) شکل می‌گیرد. بر این اساس می‌توان گفت که نظریه جامعه‌شناسی نوین شهری، چارچوبی مناسب برای تحلیل تأثیر هوش مصنوعی بر تعاملات اجتماعی شهری است، چرا که از یک سو شهر را به ‌مثابه یک بستر پویا و پیچیده می‌بیند و از سوی دیگر نقش فناوری‌های جدید را در تولید فضا و بازتعریف مناسبات اجتماعی درک می‌کند.

با اتکا به مبانی نظری و چارچوب مفهومی تبیین‌ شده در بخش پیشین، که بر پیوند میان فناوری‌های نوین و باز ساخت اجتماعی فضا در بستر جامعه‌شناسی شهری تأکید دارد، می‌توان فرضیه‌ای را صورت‌بندی کرد که به ‌طور مشخص به رابطه میان بهره‌گیری از هوش مصنوعی و الگوهای تعاملات اجتماعی نسل زد در فضای شهری می‌پردازد. بر این اساس، فرضیه پژوهش به‌شرح زیر استخراج می‌شود:

-هوش مصنوعی بر الگو­های تعاملات اجتماعی شهری نسل زد تاثیر دارد.

 

        روش تحقیق

این پژوهش از نظر بعد زمانی، یک مطالعه مقطعی؛ از منظر عمق مطالعه در زمره تحقیقات پهنانگر و از حیث هدف در رده تحقیقات کاربردی دسته‌بندی می‌شود. روش نمونه‌گیری به کار رفته در این مطالعه، نمونه‌گیری سهمیه‌ای متناسب با حجم جامعه آماری است. انتخاب این روش عمدتاً ناشی از نبود چارچوب آماری دقیق شامل فهرست اسامی، نشانی و سایر اطلاعات فردی اعضای جامعه آماری مورد بررسی بوده است. با این حال، در دست بودن اطلاعات کلی از قبیل تعداد و ترکیب سنی افراد جامعه، زمینه را برای اجرای یک نمونه‌گیری سهمیه‌ای مبتنی بر دو متغیر کلیدی شامل گروه‌های سنی و منطقه محل سکونت در پانزده منطقه شهرداری شهر اصفهان فراهم ساخت. تعیین حجم نمونه با در نظر گرفتن الزامات آماری مربوط به آزمون فرضیه‌ها، با استفاده از نرم‌افزار Sample Power  انجام شد. در این برآورد، تعداد 340 نفر به عنوان حجم مطلوب نمونه مشخص گردید. این تخمین بر اساس در نظر گرفتن شش متغیر پیش‌بین در مدل پژوهش، اندازه اثر استاندارد (0.05)، سطوح مختلف آلفا (0.01، 0.03، و 0.05) و توان آماری آزمون معادل 0.90 صورت گرفت، که بهینه‌ترین سناریو ممکن برای تحلیل‌های آماری تحقیق حاضر را نمایندگی می‌کند. جامعه آماری پژوهش شامل نسل زد ساکن شهر اصفهان است که بر طبق تعریف ترنر (2015) در فاصله سال‌های 1995 تا 2010 میلادی متولد شده‌اند. مطابق نتایج آخرین سرشماری رسمی کشور در سال 1395، جمعیت این گروه در شهر اصفهان حدود 451038 نفر برآورد شده است. بر این اساس، نمونه‌ها به صورت سهمیه‌ای و متناسب با تعداد افراد در رده سنی 15 تا 29 سال در دو جنس زن و مرد و در هر یک از مناطق پانزده‌گانه شهر انتخاب شده‌اند. ابزار گردآوری داده‌ها پرسشنامه محقق‌ساخته بوده که روایی آن با استفاده از روش روایی صوری و نظر 10 نفر از صاحب ‌نظران حوزه جامعه‌شناسی تأیید شده است. پایایی ابزار نیز با استفاده از ضریب آلفای کرونباخ (به شرح جدول 1) مورد بررسی و تایید قرار گرفت. تجزیه و تحلیل داده‌ها نیز در دو سطح آمار توصیفی و استنباطی انجام شد. در این راستا از نرم‌افزار SPSS  نسخه 24 برای تحلیل‌های اولیه و از نرم‌افزار AMOS  نسخه 24 برای مدل‌یابی معادلات ساختاری بهره گرفته شد.

جدول- پایایی متغیر­ها

متغیر و شاخص­ها نمونه گویه پرسشنامه نهایی گویه پایایی   الگوی تعاملات اجتماعی شهری کالبدی فضاهای عمومی شهر امکانات و طراحی مناسبی برای جمع شدن و فعالیت گروهی جوانان دارند. 5 0.78 ساختاری نظارت دیجیتال در فضاهای عمومی (مانند دوربین‌ها) باعث تغییر در رفتار من و دیگران می‌شود. 5 0.85 نمادین/ تجربی بعضی مکان‌های شهر احساس آرامش و راحتی بیشتری دارم، گویی که انگار آن‌جا متعلق به من است. 5 0.70         هوش مصنوعی آگاهی از هوش مصنوعی هوش مصنوعی می‌تواند با تجزیه و تحلیل داده‌ها به کسب‌وکارها کمک کند تا فرصت‌های جدید پیدا کنند. 5 0.88 تعامل با هوش مصنوعی هوش مصنوعی را جزئی از کار و زندگی خود می‌دانم. 5 0.85 ادراک از هوش مصنوعی هوش مصنوعی درک خوبی از تحلیل داده های پیچیده به من ارائه می­کند. 5 0.76 پذیرش هوش مصنوعی اگر هوش مصنوعی کارم را راحت‌تر کند، بیشتر از آن استفاده می‌کنم. 5 0.72 اعتماد به هوش مصنوعی چون عملکرد هوش مصنوعی مشخص و روشن است، از آن استفاده می­کنم. 5 0.81 نوآوری در هوش مصنوعی ابزارهای هوش مصنوعی مسیرهای جدیدی برای پیشرفت من ایجاد کرده‌اند. 5 0.84

 

تعاریف مفهومی و عملیاتی متغیر­ها

الف-الگو­های تعاملات اجتماعی شهری: از منظر جامعه‌شناسی شهری، تعاملات اجتماعی یکی از ساز و کارهای اصلی در باز تولید ساخت اجتماعی شهر و هویت شهری به شمار می‌رود (گاتدینر و هاچیسون­،­2011). سه بُعدی که مارک گاتدینر و ری هاچیسون برای تحلیل تعاملات اجتماعی شهری در نظریه جامعه‌شناسی نوین شهری معرفی می‌کنند عبارت‌اند از:

-بعد کالبدی: فضاهای شهری به‌عنوان محصولی از طراحی شهری، زیر ساخت‌ها و ساختار فیزیکی (مانند خیابان‌ها، میادین، مراکز خرید و حمل‌ و نقل عمومی) در نظر گرفته می‌شوند. اما این فضاها نه ‌تنها ساختارهایی فیزیکی، بلکه بستر تعامل اجتماعی هستند که بر نحوه ارتباط و تجربه افراد از شهر تأثیر می‌گذارند (گاتینر و هاچیسون،­21:2011). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

-بعد ساختاری: بر نیروهای نهادی و نظام­مندی تمرکز دارد که در تولید و اداره فضاهای شهری دخیل هستند. از جمله روابط قدرت، ساختار اقتصادی سرمایه‌داری، برنامه‌ریزی شهری و اکنون زیرساخت‌های فناورانه(گاتینر و هاچیسون،­21:2011). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

-بعد نمادین/ تجربی: به نحوه‌ای می‌پردازد که افراد فضا را تجربه، تفسیر و معناپردازی می‌کنند. یعنی احساسات، حافظه جمعی، هویت و برداشت‌های فردی و اجتماعی از فضا نقش مهمی در شکل‌دهی به تعاملات دارند(گاتینر و هاچیسون،­33:2011). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

ب-هوش مصنوعی

هوش مصنوعی یک فناوری است که از داده‌ها و الگوریتم‌ها برای تحلیل الگوها، پیش‌بینی نتایج و تسهیل تصمیم‌گیری‌های انسان استفاده می‌کند. این فناوری با تأثیر بر حوزه‌هایی مانند آموزش، سلامت و ارتباطات، به باز تعریف تعاملات اجتماعی کمک می‌کند (جابر³⁰ و همکاران، 2024). در ذیل، به بررسی و تحلیل ابعاد این متغیر پرداخته خواهد شد:

- آگاهی از هوش مصنوعی­: آگاهی از هوش مصنوعی به معنای شناخت و درک عمومی از قابلیت‌ها، کاربردها و اثرات این فناوری بر جوامع و صنایع مختلف است(وست و الن³¹،­2018). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

- تعامل با هوش مصنوعی­: تعامل با هوش مصنوعی به فرآیند ارتباط و همکاری بین انسان‌ها و سیستم‌های هوش مصنوعی اطلاق می‌شود، که در آن انسان‌ها به سیستم‌های هوش مصنوعی اعتماد کرده و با آن‌ها در انجام وظایف و حل مسائل مختلف همکاری می‌کنند. این تعامل نه تنها به توانایی‌های فنی و عملکردی سیستم‌های هوش مصنوعی بستگی دارد، بلکه به عوامل روان‌شناختی و اجتماعی نیز مرتبط است (هانکوک³² و همکاران،­2011). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

-ادراک از هوش مصنوعی: به معنای نحوه درک و تفسیر افراد از عملکردهای سیستم‌های هوش مصنوعی است که به ­‌ویژه در زمینه‌های مختلف، مانند تحلیل داده‌های اجتماعی و شناسایی الگوها به کار می‌روند. به عبارت دیگر، ادراک از هوش مصنوعی نه تنها به شناخت ویژگی‌های فنی آن بلکه به درک کاربردهای اجتماعی و اخلاقی آن نیز مربوط می‌شود (سینجو³³ و همکاران،­2021). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

- پذیرش هوش مصنوعی: پذیرش هوش مصنوعی به معنای فرآیند پذیرش و استفاده از فناوری‌های نوین توسط افراد است. پذیرش هوش مصنوعی به عواملی همچون ادراک سودمندی، سهولت استفاده و انگیزه‌های فردی وابسته است. در واقع، پذیرش هوش مصنوعی نه تنها تحت تأثیر ویژگی‌های تکنولوژیکی سیستم قرار دارد، بلکه به عوامل روان‌شناختی و اجتماعی نیز بستگی دارد (ونکاتش و بلا³⁴،­2008). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

- اعتماد به هوش مصنوعی: اعتماد به هوش مصنوعی به معنای اعتماد کاربران به سیستم‌های خودکار و هوش مصنوعی برای انجام وظایف خاص و تصمیم‌گیری‌های صحیح است. به عبارت دیگر، اعتماد به هوش مصنوعی تنها زمانی به‌طور مؤثر ایجاد می‌شود که این سیستم‌ها در ارائه نتایج قابل‌اعتماد و پیش‌بینی‌شده عمل کنند و کاربران بتوانند به درستی ارزیابی کنند که تا چه حد می‌توانند بر این سیستم‌ها تکیه کنند (لی و سی³⁵،­2004). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

- نوآوری در هوش مصنوعی­: به معنای ایجاد و توسعه فناوری‌هایی است که به طور چشمگیری توانایی‌های اقتصادی، اجتماعی و فنی بشر را ارتقا می‌دهند. نوآوری در هوش مصنوعی به ‌ویژه به توانایی این فناوری در بهبود عملکرد سیستم‌ها و افزایش بهره‌وری در صنایع مختلف مربوط می‌شود؛ به‌طوری که باعث ایجاد فرصت‌های جدید اقتصادی و اجتماعی می‌شود و قدرت‌های اقتصادی و اجتماعی را دوباره تنظیم می‌کند (برینجالفسون و مکافی³⁶،­2014). که در طیف لیکرت 5 گزینه­ای از (کاملاً مخالفم1 تا کاملاً موافقم 5) مورد سنجش قرار گرفته است.

 

یافته­های تحقیق

یافته‌های توصیفی این پژوهش در خصوص ویژگی‌های جمعیت‌شناختی پاسخ‌گویان نشان می‌دهد که از نظر توزیع سنی، بیشترین تعداد افراد در گروه سنی 25 تا 29 سال قرار دارند و این گروه 41.2 درصد از کل نمونه را شامل می‌شود. پس از آن، گروه سنی 20 تا 24 سال با 30.9 درصد (105 نفر) و گروه سنی 15 تا 19 سال با 27.9 درصد (95 نفر) در رتبه‌های بعدی قرار دارند. از نظر جنسیتی، توزیع پاسخ‌گویان تقریباً متعادل بوده، به‌ طوری‌که 49.7 درصد معادل 169 نفر زن و 50.3 درصد معادل 171 نفر مرد بوده‌اند.

در بررسی وضعیت تأهل پاسخ‌گویان مشخص شد که 47.1 درصد (160 نفر) مجرد، 40.3 درصد (137 نفر) متأهل و 12.6 درصد (43 نفر) نیز در وضعیت‌های سایر نظیر طلاق‌ گرفته یا فوت همسر قرار داشتند. از منظر سطح تحصیلات، بیشترین فراوانی مربوط به افراد دارای مدرک سیکل و پایین‌تر است که 31.2 درصد (106 نفر) از کل نمونه را شامل می‌شود. پس از آن، افراد دارای دیپلم با 30 درصد (102 نفر) و فوق ‌دیپلم با 21.2 درصد (72 نفر) قرار دارند. همچنین سهم دارندگان مدرک کارشناسی و کارشناسی‌ارشد و بالاتر، هر کدام 8.8 درصد (30 نفر) بوده است. در خصوص وضعیت اشتغال، یافته‌ها نشان می‌دهد که 34.4 درصد از پاسخ‌گویان (117 نفر) دانش‌آموز، 30.9 درصد (105 نفر) دانشجو، 14.7 درصد (50 نفر) دارای شغل آزاد، 10 درصد (34 نفر) بیکار، 6.2 درصد (21 نفر) شاغل در بخش خصوصی و تنها 3.8 درصد (13 نفر) شاغل در بخش دولتی بوده‌اند.

جدول2- میزان متغیر­ها و شاخص­های آن

متغیر و شاخص­ها میانگین انحراف معیار حداقل حداکثر میانگین معیار الگوی تعاملات اجتماعی شهری کالبدی 18.45 4.26 9 25 34 ساختاری 16.27 4.68 7 25 16 نمادین/ تجربی 16.20 4.45 6 25 15.5 کل 50.93 11.37 25 75 50     هوش مصنوعی آگاهی از هوش مصنوعی 19.47 4.87 6 25 15.5 تعامل با هوش مصنوعی 17.30 4.40 6 25 15.5 ادراک از هوش مصنوعی 11.26 3.75 6 25 15.5 پذیرش هوش مصنوعی 10.35 3.74 5 25 15 اعتماد به هوش مصنوعی 18.60 4.06 8 25 16.5 نوآوری در هوش مصنوعی 16.77 5 6 25 15.5 کل 93.76 19.51 54 150 102

 

بر اساس نتایج حاصل از تحلیل داده‌های جدول شماره (2)، میانگین کلی الگوهای تعاملات اجتماعی شهری در بین پاسخ‌گویان نسل زد ساکن شهر اصفهان برابر با 50.93 محاسبه شده است. این مقدار، در مقایسه با میانگین معیار تعیین ‌شده 50، نشان ‌دهنده سطح اندکی بالاتر از حد متوسط در بروز و تکرار الگوهای تعاملات اجتماعی در این گروه جمعیتی است. این نتیجه نشان می‌دهد که نسل زد در هر یک از ابعاد تعامل اجتماعی (کالبدی، ساختاری و نمادین) خیلی قوی نیست، اما عملکرد آن‌ها در همه ابعاد تقریباً یکسان و متعادل است. به همین دلیل، نمره کل خیلی افت نکرده و به معیار نزدیک شده است. به عبارت دیگر، تعامل اجتماعی آن‌ها ضعیف نیست، اما عمیق هم نیست. سطحی یکنواخت و نسبتاً پایدار دارند که باعث شده میانگین کلی قابل ‌قبول باشد. در نتیجه، نمره کلی به دلیل تعادل نسبی بین همه ابعاد به میانگین معیار نزدیک شده، بدون اینکه هیچ بعدی عملکرد درخشانی از خود نشان دهد. این تحلیل همچنین می‌تواند بازتاب‌ دهنده وضعیت گذار نسلی باشد که هم تحت تأثیر دیجیتالی‌شدن روابط قرار دارد و هم هنوز به‌طور کامل از الگوهای سنتی تعامل جدا نشده است.

در مقابل، میانگین نمرات مربوط به استفاده از هوش مصنوعی در میان افراد مورد مطالعه 93.76 به ‌دست آمده است که از میانگین معیار 102 پایین‌تر است. هرچند ابعاد به ‌صورت جداگانه (به غیر از ادراک و پذیرش) امتیازات قابل قبولی کسب کرده‌اند و میانگین آن‌ها نسبت به معیار هر بُعد بالاتر است، اما امتیاز کل پایین‌تر از معیار کلی است. این پدیده زمانی رخ می‌دهد که افراد در جنبه‌های جزئی (ابعاد) عملکرد مطلوبی دارند، ولی در مجموع قادر به ایجاد انسجام و یکپارچگی کافی در کاربرد هوش مصنوعی نیستند. به بیان ساده‌تر، نسل زد با بخش‌های مختلف هوش مصنوعی جداگانه آشناست و توانایی استفاده سطحی از هر یک از ابعاد آن را دارد؛ اما توانایی کافی برای استفاده جامع، تخصصی و مؤثر از تمام این ابعاد به صورت همزمان و یکپارچه در سطحی که پژوهش انتظار داشته، کمتر است. این تفاوت بین عملکرد جزئی (بالا) و کلی (پایین‌تر از انتظار) کاملاً طبیعی و عقلانی است، زیرا بیانگر این است که دانش و مهارت این نسل در استفاده از هوش مصنوعی هنوز به مرحله یکپارچگی کامل و کاربرد تخصصی نرسیده است. این میزان افت نشان ‌دهنده آن است که نسل زد، به ‌رغم درگیری گسترده با فناوری‌های دیجیتال و استفاده مداوم از ابزارهای ارتباطی مدرن، در حوزه کاربرد تخصصی و مؤثر هوش مصنوعی عملکردی کمتر از انتظار داشته‌اند. از منظر جامعه‌شناختی، علت این مسئله را می‌توان در این نکته جستجو کرد که استفاده وسیع نسل زد از وسایل ارتباط جمعی عمدتاً در بستر سرگرمی، تعاملات اجتماعی غیر رسمی و مصرف محتوای دیجیتال شکل گرفته است؛ در حالی که کاربرد عملی و تخصصی از فناوری‌های مبتنی بر هوش مصنوعی نیازمند آگاهی عمیق‌تر، مهارت‌های تخصصی‌تر و نیز آشنایی بیشتر با شیوه‌های عملیاتی و هدفمند این تکنولوژی است. به عبارت دیگر، تعامل گسترده نسل زد با فناوری دیجیتال بیشتر جنبه مصرفی و تفریحی دارد و نه لزوماً کاربردی و مهارت ‌محور. این امر باعث شده تا نسل زد، علی‌رغم برخورداری از دسترسی گسترده به تکنولوژی، در بهره‌برداری جدی و کاربردی از هوش مصنوعی نسبت به حد انتظار ضعیف‌تر عمل کند. 

 

آزمون فرضیه

برآورد فرضیه مذکور شامل دو بخش اصلی است: نخست، ارزیابی برازش کلی مدل ساختاری و دوم، تحلیل پارامتر مسیر اصلی مدل (اثر سازه‌ «هوش مصنوعی» بر «الگوی تعاملات اجتماعی شهری»). نتایج این تحلیل در قالب شکل و جدول زیر ارائه شده‌اند:

شکل1- مدل معادله ساختاری اثر متغیر هوش مصنوعی بر الگو­های تعاملات اجتماعی شهری

جدول3: برآورد مقادیر شاخص­های برازش کلیت مدل

شاخص GFI IFI TLI CFI NFI RMSEA مقدار 0.88 0.90 0.91 0.89 0.91 0.05

 

شاخص‌های برازش مدل ساختاری حاکی از آن هستند که داده‌های گردآوری‌ شده از پژوهش، از مدل مفروض به‌خوبی حمایت می‌کنند. به بیان دیگر، برازش مناسب میان داده‌ها و مدل نظری برقرار است و مقادیر شاخص‌های برازش نشان‌دهنده مطلوبیت و قابل‌قبول بودن ساختار کلی مدل می‌باشند.

 

جدول4- برآورد مقادیر اثر متغیر هوش مصنوعی بر الگوهای تعاملات اجتماعی شهری

متغیر مستقل مسیر متغیر وابسته ضریب تعیین برآورد Beta P هوش مصنوعی   الگوی تعاملات اجتماعی شهری 0.63 0.79 0.001

 

بر اساس مقادیر برآورد شده در جدول بالا، تحلیل مدل ساختاری حاکی از آن است که: 

1.متغیر «هوش مصنوعی» 63 درصد از واریانس متغیر «الگوهای تعاملات اجتماعی شهری» را تبیین می­کند (0.63R² =). با توجه به مقادیر مربوط به حجم اثر شاخص ضریب تعیین این مقدار بزرگ برآورد می­شود، به بیان دیگر، متغیر «هوش مصنوعی» نقش تعیین‌کننده‌ای در تبیین تغییرات مربوط به تعاملات اجتماعی نسل زد در محیط شهری ایفا می‌کند. 

2.مسیر متغیر «هوش مصنوعی» به متغیر «الگوهای تعاملات اجتماعی شهری» از نظر آماری معنادار گزارش شده است (0.05p ≤)، که نشان‌دهنده تایید فرضیه پژوهش مبنی بر وجود رابطه معنادار بین این دو متغیر است. همچنین با توجه به مقدار ضریب مسیر­(β)، این اثر از نوع مستقیم، مثبت و از نظر شدت در سطح بالا ارزیابی می‌شود. در مجموع، یافته‌ها دلالت بر آن دارند که هوش مصنوعی می‌تواند به‌عنوان یک متغیر پیش‌بین قوی برای تبیین الگوهای تعاملات اجتماعی در نسل زد شهر اصفهان در نظر گرفته شود. یافته­های فرضیه بیانگر آن است که هوش مصنوعی و فناوری‌های دیجیتال نه صرفاً به عنوان ابزارهای فناورانه، بلکه به عنوان سازوکارهایی اجتماعی-فرهنگی نیز عمل می‌کنند که الگوهای جدید تعامل و رفتار اجتماعی در فضاهای شهری را رقم می‌زنند. نسل زد به واسطه‌ شرایط اجتماعی و فرهنگی خاصی که در آن رشد کرده‌اند، بیشترین تعامل را با فضاهای دیجیتال دارند و این امر باعث شکل ‌گیری نوع جدیدی از روابط اجتماعی شده است که در آن حضور فیزیکی در فضاهای عمومی شهری تا حدی با حضور مجازی در شبکه‌های اجتماعی جایگزین شده است. این تغییر ناشی از رشد و گسترش استفاده از هوش مصنوعی و تکنولوژی‌های نوینی است که نحوه درک و استفاده از فضای شهری را دچار دگرگونی کرده‌اند. از دیدگاه نظری جامعه‌شناسی شهری (به ‌ویژه با تکیه بر آرای مانوئل کاستلز)، این مسئله قابل تحلیل است که شهر دیگر تنها محل تعاملات فیزیکی نیست، بلکه فضاهای مجازی و فناوری‌های مبتنی بر هوش مصنوعی نیز در حال بازتعریف «فضای شهری» و مفهوم تعامل اجتماعی هستند. در این شرایط، شهر به فضایی ترکیبی تبدیل می‌شود که تعاملات اجتماعی در آن همزمان به ‌شکل فیزیکی و دیجیتال انجام می‌گیرد و این شرایط به تقویت پیوندها و الگوهای تعاملی جدید منجر می‌شود.

 

نتیجه­گیری

در این پژوهش، فضای شهری به‌عنوان صحنه‌ای پویا برای کنش‌های اجتماعی در نظر گرفته شده و رابطه‌ای نو میان هوش مصنوعی و الگوهای تعاملات اجتماعی نسل زد در اصفهان بررسی شده است. نتایج حاصل از آزمون فرضیه نیز حاکی از آن است که هوش مصنوعی تأثیر مثبت و معناداری بر الگوهای تعاملات اجتماعی نسل زد شهر اصفهان دارد، به ‌گونه‌ای که با افزایش بهره‌مندی و استفاده از هوش مصنوعی، تعاملات اجتماعی شهری نیز به ‌طور قابل‌توجهی افزایش می‌یابد، که با یافته­های حمزه­ئی و همکاران(1403)، کریمیان ششده و همکاران(1403)، انوشه­یی و رضایی(1402)، مائورو و همکاران(2025)، اشراقی و همکاران (2025)، کوگورولو و همکاران (2024)، سالازار میرندا و همکاران (2024) و لهتیو و همکاران (2023) همسو بوده است. بر اساس نتایج تحلیل مدل ساختاری، متغیر «هوش مصنوعی» با تبیین 63 درصد از واریانس متغیر «الگوهای تعاملات اجتماعی شهری»، نقش کلیدی و تعیین‌ کننده‌ای در تعاملات اجتماعی نسل زد در محیط شهری اصفهان دارد. از منظر جامعه‌شناسی نوین شهری گاتدینر و هاچیسون، این نتیجه، بسیار قابل توجه است؛ چرا که دقیقاً به مفهوم «فضا به عنوان محصولی اجتماعی و فناورانه» اشاره دارد. طبق دیدگاه آنان، فضای شهری نه صرفاً یک ساختار کالبدی، بلکه نتیجه تعامل میان نیروهای اقتصادی، فرهنگی، سیاسی و فناوری است. در اینجا، هوش مصنوعی فقط به عنوان یک تکنولوژی ساده در نظر گرفته نمی‌شود، بلکه به عنوان یک ساختار اجتماعی- فناورانه مطرح است که به باز تعریف تعاملات اجتماعی در فضای شهری کمک می‌کند. از این دیدگاه، هوش مصنوعی و فناوری دیجیتال نه تنها زیرساخت‌های فیزیکی و مدیریتی شهر را تغییر می‌دهند، بلکه الگوهای تعامل اجتماعی، روابط قدرت و تجربه زندگی شهروندان را نیز عمیقاً تحت تأثیر قرار می‌دهد. نتیجه به‌دست آمده مبنی بر معنادار بودن و تأثیر مستقیم هوش مصنوعی بر تعاملات اجتماعی شهری با این نظریه کاملاً همخوانی دارد، زیرا در این نظریه، فناوری به عنوان یک عامل ساختاری تأثیرگذار بر تعاملات انسانی و اجتماعی مطرح می‌شود و نه صرفاً به عنوان ابزار کارآمدی برای تسهیل روابط. به عبارت دقیق‌تر از نگاه گاتدینر و هاچیسون، شهرهای معاصر به ‌ویژه در بستر نسل زد، توسط فناوری‌ها «زیسته» می‌شوند و نه­فقط «ساخته».

با توجه به این نظریه، میزان کمتر از حد انتظار استفاده کاربردی نسل زد از هوش مصنوعی (میانگین 93.76 در مقابل 102)، که پیش‌تر ذکر شد، حاکی از یک شکاف مهم میان پتانسیل ساختاری فناوری و بهره‌برداری عملی آن است. از منظر سه بعد تعاملات اجتماعی شهری که گاتدینر و هاچیسون در نظریه خود مطرح می­کنند، می‌توان این تبیین را عنوان کرد که، فضای شهری در اصفهان، با وجود برخورداری از زیر ساخت‌های فیزیکی نسبتاً مناسب، همچنان با محدودیت‌هایی در زمینه دسترسی گسترده و مؤثر به زیر ساخت‌های دیجیتال مواجه است. به‌ ویژه در زمینه کاربرد عملی فناوری‌هایی مانند هوش مصنوعی در محیط‌های عمومی، کاستی‌هایی مشاهده می‌شود که می‌تواند مانعی بر سر راه بهره‌مندی کامل نسل زد از ظرفیت‌های فناورانه در شهر باشد. برای نمونه تجهیز محدود فضاهای عمومی، سیستم‌های حمل‌ و نقل و مراکز خرید به ابزارهای مبتنی بر هوش مصنوعی، موجب شده تجربه این فناوری برای شهروندان (به ‌ویژه نسل جوان) جنبه‌ای محدود، مقطعی و گسسته داشته باشد. از سوی دیگر، در سطح سیاست‌ گذاری‌های نهادی و اقتصادی، به نظر می‌رسد هنوز رویکردی هدفمند و نظام‌مند برای تلفیق هوش مصنوعی با حیات شهری در دستور کار قرار نگرفته است.

بر اساس دیدگاه گاتدینر و هاچیسون، هوش مصنوعی صرفاً یک ابزار فناورانه نیست، بلکه می‌تواند به ‌مثابه ساختاری از قدرت اجتماعی عمل کند. بی‌توجهی به این جنبه، ممکن است به شکاف‌هایی در عدالت فناورانه و نابرابری در دسترسی به فرصت‌های شهری برای گروه‌های مختلف اجتماعی، از جمله نسل زد، منجر شود. در همین راستا، مدیریت شهری، ساختار اقتصادی و نظام تصمیم‌گیری محلی در اصفهان هنوز نتوانسته‌اند زیر ساخت‌های لازم، حمایت‌های نهادی و بسترهای آموزشی مورد نیاز را برای بهره‌گیری هوشمندانه و هدفمند از هوش مصنوعی فراهم سازند. با وجود آشنایی و ارتباط نزدیک نسل زد با فناوری‌های نوین، به نظر می‌رسد این نسل هنوز نتوانسته است از هوش مصنوعی به عنوان ابزاری عمیق، پایدار و معنادار در تعاملات اجتماعی و زندگی شهری بهره‌ برداری کند. نسل زد در مواجهه با فضا، صرفاً مصرف‌کننده آن نیست، بلکه آن را معناپردازی می‌کند. بنابراین، یکی از موانع اصلی در به‌ کارگیری مؤثر هوش مصنوعی، ممکن است ناشی از فقدان معناپردازی عمیق این نسل نسبت به نقش واقعی این فناوری در حیات شهری باشد. به بیان دیگر، تا زمانی که هوش مصنوعی در ذهنیت نسل زد به‌عنوان بخشی از «فضای اجتماعی» پذیرفته نشود فضایی که بتواند هویت، تجربه روزمره و تعاملات آن‌ها را به شکلی معنادار غنی‌سازی کند، این فناوری احتمالاً در حاشیه باقی خواهد ماند و نقش آن محدود به استفاده‌های تفریحی یا سطحی خواهد بود، نه یک عنصر مرکزی در زیست شهری روزمره.

بنابراین، با توجه به نظریه جامعه‌شناسی نوین شهری گاتدینر و هاچیسون، یافته‌های پژوهش نشان می‌دهد که هوش مصنوعی دارای پتانسیل قوی برای تأثیرگذاری عمیق بر تعاملات اجتماعی شهری است؛ اما تحقق کامل این ظرفیت مستلزم تغییرات ساختاری در سطح شهر و درک فرهنگی جدیدی از سوی نسل زد است که تعامل میان فناوری، فضا و اجتماع را به‌شکل پویا، هم‌افزا و معنادار تجربه کند.

 

پیشنهاد­های تحقیق

-طراحی فضاهای شهری هوشمند مبتنی بر داده

با استفاده از سامانه‌های جمع‌آوری و تحلیل داده‌های لحظه‌ای مبتنی بر هوش مصنوعی، نقاط تجمع نسل زد در سطح شهر شناسایی و فضاهای مناسب برای رویدادهای اجتماعی و فرهنگی بهینه‌سازی شوند. این سامانه‌ها می‌توانند با الگوریتم‌های پیش‌بینی، تقاضای ناگهانی برای فضاها را پیش‌بینی و پیشنهادات خودکار برای مدیریت جریان جمعیت ارائه کنند.

-گنجاندن آموزش و توانمندسازی دیجیتال در ساختار دانشگاهی و آموزشی

با توجه به پوشش گسترده‌ نسل زد در بین دانشجویان و دانش‌آموزان، کارگاه‌ها و دوره‌های تخصصی کوتاه ‌مدت در خصوص کاربردهای هوش مصنوعی در تعاملات اجتماعی و طراحی شهری برگزار شود. پیشنهاد می‌شود سیاست‌های آموزشی و اجتماعی معطوف به تقویت مهارت‌های دیجیتال کاربردی، افزایش آگاهی تخصصی نسبت به فناوری‌های هوش مصنوعی و تشویق به استفاده هدفمند و حرفه‌ای از این تکنولوژی در دستور کار قرار گیرد.

-تدوین سیاست‌ها و چارچوب‌های حاکمیتی برای استفاده مسئولانه از هوش مصنوعی

ایجاد دستورالعمل‌های شفاف در خصوص جمع‌آوری، ذخیره و تحلیل داده‌های شهروندان توسط شهرداری با استفاده از هوش مصنوعی، تا ضمن حمایت از نوآوری، از نقض حریم خصوصی جلوگیری شود. نظارت مستمر بر الگوریتم‌ها و شفاف ‌سازی معیارهای تصمیم‌گیری آن‌ها، به‌ویژه در پلتفرم‌های مدیریت فضاهای عمومی.

-ایجاد چرخه بازخورد مستمر بین شهروندان، داده‌ها و تصمیم‌گیران

پیاده‌سازی داشبوردهای مشارکتی که شهروندان بتوانند نظرات و بازخوردهای خود را نسبت به عملکرد سامانه‌های هوشمند و کیفیت فضاهای شهری ثبت کنند. استفاده از این بازخوردها در مدل‌های یادگیری ماشین برای به‌ روزرسانی مداوم تنظیمات فضایی و خدمات شهری و تضمین هم‌ راستایی با نیازها و انتظارات نسل زد.

 

منابع

انوشه­یی، علیرضا؛ رضایی؛ علی اکبر (1402) ارزیابی نقش ابزار­های هوش مصنوعی در توسعه مدیریت شهری، رویکرد­های پژوهشی نوین در مدیریت و حسابداری، 7(24)، 1623-1632.

حمزه­ئی، امیر مسعود؛ بندر آباد، علیرضا؛ شهابیان، پویان (1403) شهر هوشمند، محوری موثر در ارتقای سرزندگی شهری، مجله علمی گفتمان طراحی شهری، 5(1)، 1-15.

خزایی، حسین؛ همتی، مجتبی (1404) امکان سنجی تزاحم و تعارض هوش مصنوعی با حقوق بشر و شهروندی: چالش ها و راهکار ها، حقوق فناوری های نوین، 6(11)، 233-251.

کریمیان ششده، زهرا؛ داس مه، زهرا؛ نصر، طاهره (1403) تحلیل تاثیر طراحی فضاهای عمومی بر کیفیت زندگی شهری و تعاملات اجتماعی، پژوهش در هنر و علوم انسانی، 9(75)، 83-86.

گودرزی، مجید؛ دالوند، هنگامه (1403) نقش هوش مصنوعی در توسعه حمل و نقل شهر اهواز بر پایه مدل سازی معادلات ساختاری، جغرافیا و برنامه ریزی، انتشار آنلاین 10 دی 1403.

میجانی، محدثه؛ زارع، حمید؛ خنیفر، حسین (1401) طراحی مدل مدیریت منابع انسانی برای کارکنان نسل زد با استفاده از رویکرد GT، دو فصلنامه علمی مدیریت منابع انسانی پایدار، 4(7)، 191-213.

Boggs, A. S., Buchanan, K., Evans, H., Griffith, D., Meritis, D., Ng, L., Stephens, M. (2023). National institute of standards and technology environmental scan. Societal and technology landscape to inform science and technology research (pp. 1–79).

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & company. ‏

Castells, M. (2000). The Rise of the Network Society (second Ed.). Wiley-Blackwell.

Chen, M. A., & Wang, J. X. (2024). Displacement or Augmentation? The Effects of AI on Workforce Dynamics and Firm Value. The Effects of AI on Workforce Dynamics and Firm Value.

Cugurullo, F., Caprotti, F., Cook, M., Karvonen, A., MᶜGuirk, P., & Marvin, S. (2024). The rise of AI urbanism in post-smart cities: A critical commentary on urban artificial intelligence. Urban Studies, 61(6), 1168-1182. ‏

Durkheim, E. (1995). The Elementary Forms of Religious Life (K. E. Fields, Trans.). Free Press. (Original work published 1912)

Eshraghi, P., Dehnavi, A. N., Mirdamadi, M., Talami, R., & Zomorodian, Z. S. (2025). An AI-driven framework for rapid and localized optimizations of urban open spaces. ArXiv preprint arXiv: 2501.08019. ‏

Gardner, H., & Davis, K. (2013). The app generation: How today's youth navigate identity, intimacy, and imagination in a digital world? Yale University Press. ‏

Goffman, E. (1959). The Presentation of Self in Everyday Life. Anchor Books.

Gottdiener, M., & Hutchison, R. (2011). The New Urban Sociology (fourth Ed.). Boulder, CO: Westview Press.

GWI. (2024). "Generation Z Report: Understanding the Social and Cultural Shifts in  2024." Global Web Index. Retrieved from https://www.gwi.com/reports/gen-z

Hancock, P. A., Billings, D. R., Schaefer, K. E., Chen, J. Y., De Visser, E. J., & Parasuraman, R. (2011). A meta-analysis of factors affecting trust in human-robot interaction. Human factors, 53(5), 517-527. ‏

Jabar, M., Chiong-Javier, E., & Pradubmook Sherer, P. (2024). Qualitative ethical technology assessment of artificial intelligence (AI) and the internet of things (IoT) among Filipino Gen Z members: implications for ethics education in higher learning institutions. Asia Pacific Journal of Education, 1-15. ‏

Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human factors, 46(1), 50-80. ‏

Lehtiö, A., Hartikainen, M., Ala-Luopa, S., Olsson, T., & Väänänen, K. (2023). Understanding citizen perceptions of AI in the smart city. Ai & Society, 38(3), 1123-1134.‏

Liu, H., Liu, W., Yoganathan, V., & Osburg, V. S. (2021). COVID-19 information overload and generation Z's social media discontinuance intention during the pandemic lockdown. Technological forecasting and social change, 166, 120600.‏

Lofland, L. H. (2017). The public realm: Exploring the city's quintessential social territory. Routledge. ‏

Mauro, G., Minici, M., & Pappalardo, L. (2025). The Urban Impact of AI: Modeling Feedback Loops in Next-Venue Recommendation. ArXiv preprint arXiv: 2504.07911. ‏

Morgan F. J (2014). Differences in Generational Work Values in America and Their Implications for Educational Leadership: A Longitudinal Test of Twinge’s Model, (Doctoral Dissertation), University of Louisiana at Lafayette, Available from ProQuest Dissertation and Theses database, p.7.AA 3622936.

Nagelhout, R. (2024). Students are using AI already. Here is what they think adults should know. Retrieved from https://www.gse.harvard.edu/ideas/usable-knowledge/24/09/students-are-using-ai-already-heres-what-they-think-adults-should-know

Prensky, M. (2001). Digital natives, digital immigrants part on.On the horizon 9(5), p1-6.

Rathore, D. B. (2023). Future of AI & Generation Alpha: ChatGPT beyond Boundaries. Edu zone: International Peer Reviewed/Refereed Academic Multidisciplinary Journal, 12 (01).‏

Sainju, K. D., Mishra, N., Kuffour, A., & Young, L. (2021). Bullying discourse on Twitter: An examination of bully-related tweets using supervised machine learning. Computers in human behavior, 120, 106735. ‏

Salazar-Miranda, A., Fan, Z., Baick, M. B., Hampton, K. N., Duarte, F., Loo, B. P., & Ratti, C. (2024). Shifting Patterns of Social Interaction: Exploring the Social Life of Urban Spaces through AI (No. w33185). National Bureau of Economic Research. ‏

Salesforce. (2024). Generative AI Usage among Generations. Retrieved from https://explodingtopics.com/blog/generative-ai-stats.

Seemiller, C., & Grace, M. (2016). Generation Z goes to college. John Wiley & Sons. ‏

Singh, A. P., & Dangmei, J. (2016). Understanding the generation Z: the future workforce. South-Asian journal of multidisciplinary studies, 3(3), 1-5. ‏

Turkle, S. (2016). Reclaiming conversation: The power of talk in a digital age.

Turner, A. (2015). Generation Z: Technology and social interest. The Journal of Individual Psychology, 71(2), 103–113. https://doi.org/10.1353/jip.2015.0021

Twenge, J. M. (2017). iGen: Why today’s super-connected kids are growing up less rebellious, more tolerant, less happy and completely unprepared for adulthood and what that means for the rest of us. Simon and Schuster. ‏

Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision sciences, 39(2), 273-315.

West, D. M., & Allen, J. R. (2018). How artificial intelligence is transforming the world. Brookings Institution. URL: https://www. brookings. edu/research/howartificial-intelligence-is-transforming-the-world/ (дата обращения: 07.04. 2021). Научное издание.‏

Zulfikasari, S., Sulistio, B., & Aprilianasari, W. (2024). Utilization of Chat GPT Artificial Intelligence (AI) in Student’s Learning Experience Gen-Z Class. Lectura: Journal Pendidikan, 15(1), 259-272.

 

COPYRIGHTS © 2023 by the authors. Licensee Advances in Sociological Urban Studies Journal. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).

 ‏

 

 

 

 

---

[1]  دانشجوی دکتری گروه جامعه­شناسی، واحد دهاقان، دانشگاه آزاد اسلامی، اصفهان، ایران.

                                                                                [e-mail]

[2]  استادیار گروه جامعه­شناسی، واحد دهاقان، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول).

                                                                                                  [e-mail] 

[3]  استادیار گروه کامپیوتر، واحد دهاقان، دانشگاه آزاد اسلامی، اصفهان، ایران                   [e-mail]

تاریخ وصول 11/07/1403                                                                  تاریخ پذیرش 07/10/1403

[4]  Generation z

[5]  Zulfikasari

[6]  Prensky

[7]  Gardner & Davis

[8]  Twenge

[9]  Liu

[10]  Morgan

[11]  Seemiller & Grace

[12]  Singh & Dangmei

[13]  Salesforce

[14]  Nagelhout

[15]  Chen & Wang

[16]  Boggs

[17]  Turner

[18]  Rathore

[19]  Durkheim

[20]  Mauro

[21]  Cugurullo

[22]  Salazar-Miranda

[23]  Lehtiö

[24]  Goffman

[25]  Impression Management

[26]  Turkle

[27]  Castells

[28]  Space of Flows

[29]  Gottdiener & Hutchison

[30]  Jaber

[31]  West & Allen

[32]  Hancock

[33]  Sainju

[34]  Venkatesh & Bala

[35]  Lee & See

[36]  Brynjolfsson & McAfee

---