دانشگاه علامه طباطبائی مطالعات مدیریت کسب و کار هوشمند 2821-0964 15 55 2026 04 21 A framework for integrating transfer learning and crowd intelligence to overcome the data-poor regime in emerging businesses چارچوبی برای‎ ‎‏ یکپارچه سازی یادگیری انتقالی و هوش جمعی در غلبه بر رژیم کم‌داده در ‏کسب‌وکارهای نوظهور 337 374 20823 10.22054/ims.2026.87652.2661 FA مریم نورائی آباده گروه مهندسی کامپیوتر، واحد آبادان، دانشگاه آزاد اسلامی، آبادان، ایران شهره آجودانیان دانشکده موضوعی هوش‌مصنوعی و فناوری‌های اجتماعی و پیشرفته، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران، سندس بهادری گروه مهندسی کامپیوتر، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران، Journal Article 2025 09 03 Early-stage startups face the problem of cold start, as they have limited real-world data to train AI models. This lack of data, combined with the incompatibility of generic data with specific business needs, reduces the accuracy of predictions and recommendations. Rapid changes in data and concepts (such as data and concept drift), the risk of forgetting prior knowledge in transfer learning, and the heterogeneous quality of user feedback are the main challenges in this area. The proposed framework is an integrated and scalable architecture that combines transfer learning and crowd intelligence. The framework consists of four parts: collection and preprocessing of (limited), generic, and user feedback real-world data; transfer learning with a pretrained model and efficient optimization to prevent forgetting prior knowledge; model enhancement with filtered and weighted user feedback; and continuous prediction by monitoring data and concept changes with mathematical criteria. The training data is composed of a combination of real, generic, and user feedback data, and optimization is performed by minimizing error and controlling complexity. Evaluation on three real datasets. Other metrics such as prediction accuracy, positive sample detection, balance between the two, error reduction, and data stability were also improved in all three datasets, especially in investment data that is more scattered. This framework increases the efficiency of limited data and ensures the stability of the model. کسب‌وکارهای نوظهور در مراحل آغازین هوشمندسازی داده‌محور با چالش شروع سرد مواجه‌اند، زیرا تنها به حجم محدودی از داده‌های واقعی دامنه‌ای برای آموزش و اعتبارسنجی مدل‌های هوش مصنوعی دسترسی دارند. این محدودیت داده، همراه با ناسازگاری داده‌های عمومی با نیازهای خاص هر کسب‌وکار، منجر به کاهش دقت پیش‌بینی‌ها و کیفیت توصیه‌ها می‌شود. علاوه بر این، پویایی محیط‌های تجاری و تغییرات سریع در توزیع داده و مفاهیم (نظیر انحراف داده و تغییر مفهوم)، خطر فراموشی دانش پیشین در یادگیری را تشدید می‌کند. چارچوب پیشنهادی این پژوهش، یک معماری یکپارچه و مقیاس‌پذیر برای ادغام یادگیری انتقالی و هوش جمعی ارائه می‌دهد. چارچوب پیشنهادی چهار لایه دارد: پیش‌پردازش داده‌ها، یادگیری انتقالی، تقویت با بازخورد کاربران، و پیش‌بینی پیوسته با پایش انحراف. در این چارچوب، داده‌های آموزشی ترکیبی از داده‌های واقعی، عمومی و بازخورد کاربران هستند و بهینه‌سازی مدل با هدف کمینه‌سازی خطا و کنترل پیچیدگی انجام می‌گیرد. ارزیابی تجربی بر روی سه مجموعه‌داده واقعی نشان داد که این رویکرد بهبود مطلوبی در عملکرد ایجاد می‌کند. علاوه بر معیار دقت، سایر شاخص‌ها همچون توانایی شناسایی نمونه‌های مثبت، تعادل میان دقت و بازخوانی، کاهش خطا و ثبات در برابر تغییرات داده نیز بهبود داشتند.