结论：西北大学与南京大学团队于上海时间2026年9月3日公开预印本AICOME，提出个体级AI情境测量框架，将AI生成变量分解为职业均值与个体偏离以恢复情境模型中的组间与组内推断。在2022年CFPS的四维度验证中，AI测量在信息丰富条件下可复现调查测量所得到的情境结构，其中周工时对满意度的负向组间与组内关联复现最稳健。该成果为预印本，尚未经同行评审，其有效性明确受信息丰度与同时缺失概念数量的边界条件约束。
研究主体与状态
研究题目为《AI Contextual Measurement for Recovering Individual and Group-Level Effects: Validation Against Survey Measures and an Occupational Application》，作者为 Wenxin Jiang（美国西北大学，通讯之一）、Xuyang Wang 与 Yuxiao Wu（南京大学），草案标注日期为2026年9月2日，arXiv首次提交记录为2026年9月2日17:09:30 UTC，对应上海时间2026年9月3日01:09，属当日首次公开；论文以arXiv预印本形式发布，学科分类为 cs.AI / cs.LG，文中标注为预印本、正在审稿中，尚未经同行评审，结论需视为作者报告的初步结果，等待独立验证。
方法与数据范围
核心方法为AICOME：先基于个体级特征向量与概念提示生成响应级AI指标Zi，再按职业分组计算职业均值并构造 deviation 项，将情境模型参数化为原始式与 deviation 式以区分个体层与群体层效应；提示策略对比“富提示”与“调查提示”，响应尺度与特征集按概念与排除规则配置。数据范围为2022年中国家庭追踪调查（CFPS）中以职业为分组结构的个体样本，验证选取计算机使用、外语使用、周工时、管理职责四个在CFPS中可直接观测的工作相关变量作为基准，辅以自主性、人-物、创造-常规、技术四个缺乏直接验证的潜在维度作方法应用演示；评估条件包括响应层相关、单维与联合情境回归的解释力增量、系数方向与向量相关、拟合值相似性，以及信息丰度受限与多概念同时缺失的边界敏感性分析。
主要结果
在可观测四维度上，AI情境测量并非仅复现题项回答，而是恢复情境推断：当提供丰富个体与岗位特征时，AI测量能保留调查测量在满意度情境模型中的解释力与定性结论方向，系数向量相关与拟合值相似性为描述性支撑；周工时案例最清晰，两种提示策略均复现了大幅负向组间与组内关联，而直接的职业层AI分数因组内偏离恒为零无法检出个体层信号，凸显个体级分解的必要性；潜在维度的单维与四维联合分析显示，去除时间灵活性混淆后自主性测量得到修复，跨提示策略一致性与跨模型稳健性保持，但作者强调这些结果为方法外推应用，不构成对潜在真值的直接验证。
限制与不确定性
作者明确界定边界条件：仅依赖职业与基本人口学等稀疏信息时，AI测量的解释力与情境结论恢复显著恶化；当四类工作概念被视为同时缺失并联合纳入情境模型时，恢复能力较单维验证更弱，提示该框架最适用于从富信息存量数据中补充少量理论上重要的缺失构念，而非批量替代调查。方法论层面，AI测量与调查题项均为底层概念的不完美代理，增量R²与偏相关恒等式表明较大增量R²意味着拟合预测更接近基于底层概念的预测，但不保证系数数值相等。验证仅限于CFPS 2022、特定职业编码与四维度，其他人群、时点、职业体系的泛化仍待检验；预印本状态与模型、提示的潜在变动也可能影响可复现性。
同行评审与潜在意义
该工作当前为预印本，未经同行评审，读者应将其视为作者结论而非学界共识或机构官方立场，相关数量关系仅在所述样本与评估条件下成立，不宜直接推广为普遍因果或跨人群通用效应。潜在意义在于，为社会科学中利用大语言模型补充缺失题项、区分群体环境与个体差异的情境分析提供了可检验的验证路径与分解框架，尤其在已拥有丰富个体特征的追踪调查中，可在不追加大规模调查成本的前提下审慎估计少量缺失构念的组间与组内关联，但必须配合边界条件检验与透明披露，避免将AI生成分数误读为直接观测真值。