XiaoMi-AI文件搜索系统
World File Search System任务绩效
解决飞机路线和排序问题时人类的表现和策略：一种实验方法
摘要 随着机场资源不断扩展以满足日益增长的服务需求，有效利用地面基础设施对于确保运营效率越来越重要。运筹学研究已经产生了一些算法，为机场塔台管制员提供有关航班到达、离开和地面移动的最佳时间和顺序的指导。虽然这种决策支持系统有可能提高运营效率，但它们也可能影响用户的心理工作量、态势感知和任务绩效。这项工作旨在确定人类决策者在实验性机场地面移动控制任务中采用的绩效结果和策略，目的是确定增强以用户为中心的塔台管制决策支持系统的机会。为了应对这一挑战，30 名新手参与者解决了一组以游戏形式呈现的车辆路线问题，代表跑道管制员执行的机场地面移动任务。游戏在两个独立变量上有所不同，即网络地图布局（代表任务复杂性）和游戏目标（代表任务灵活性），而口头协议、视觉协议、任务表现、工作量和任务持续时间则被收集为因变量。逻辑回归分析显示，游戏目标和任务持续时间显著影响参与者确定游戏最佳解决方案的可能性，其中
“稍后再见，鳄鱼”：机器人小话对人类机器人协作中的任务，融洽和互动动态的影响
摘要 - 小型谈话可以促进人类团队合作的融洽关系；然而，非人性化机器人（例如工业中常用的协作机器人）如何利用这些社会交流尚不清楚。这项工作调查了机器人发起的小谈话如何影响人类机器人协作中的任务绩效，融洽和互动动态。我们开发了一个自动驾驶机器人系统，该系统在启动和进行小聊天的同时，协助人类进行集会任务。进行了用户研究（n = 58），其中参与者与功能性机器人合作，该机器人仅从事以任务为导向的语音或社交机器人，该机器人也开始进行闲聊。我们的研究发现，处于社会状况的参与者报告说，与机器人的融洽关系显着更高。此外，所有处于社会状况的参与者都对机器人的小谈话尝试做出了反应； 59％的人向机器人提出了问题，在请求最终任务项后，有73％的人进行了挥之不去的对话。尽管有效的工作时间在各条件下相似，但社会状况的参与者的任务持续时间比功能条件的参与者更长。我们讨论了机器人小谈话在塑造人类机器人协作时的设计和含义。
人力压力检测 - 审查-IJRPR
由艾哈迈德·劳夫·苏巴尼（Ahmad Rauf Subhani），Xia，Aamir Saeed Malik和Zahirruddin Othman在其论文中进行的研究，标题为“在压力和控制条件下的生理差异和任务绩效” [1]专注于研究精神压力对十个健康个人的大脑活动和心脏病的影响。参与者必须在引起压力和控制环境中执行算术任务。Amir Muaremi，Agon Bexheti，Franz Gravenhorst，Bert Arnrich Gerhard Troster在其研究中的标题为“监测使用可穿戴传感器的压力对压力对睡眠模式的影响” [2]，旨在使远程挑战的压力造成众多应力的影响，以确定你难接受的相关参数，以确定相关的参数。Victor Corcoba Magaria和Mario Munoz Organero在其论文中提出的系统题为“减少习惯旅程的压力” [3]旨在根据驾驶员，疲劳水平和道路状况为驾驶员提供实时反馈。本文强调了驾驶速度与交通事故的可能性之间的相关性，强调了智能速度适应系统的必要性。
SleepFM：在大脑活动，ECG和呼吸信号
睡眠是通过记录各种方式来评估一种复杂的生理过程。我们从14,000多个参与者中策划了一个大型的多模式睡眠记录的大型多摄影数据集。掌握了这个广泛的数据集，我们开发了SleepFM，这是第一个用于睡眠分析的多模式基础模型。我们表明，与标准的成对构造学习的表示相比，一种新颖的对比学习方法可以显着证明下游任务绩效。A logistic regression model trained on SleepFM 's learned embeddings out- performs an end-to-end trained convolutional neu- ral network (CNN) on sleep stage classification (macro AUROC 0.88 vs 0.72 and macro AUPRC 0.72 vs 0.48) and sleep disordered breathing de- tection (AUROC 0.85 vs 0.69 and AUPRC 0.77 vs 0.61）。值得注意的是，从90,000名候选人中获取其他响应的记录剪辑，学到的嵌入在检索其他方式的记录剪辑方面达到了48％的平均准确性。这项工作展示了整体多模式睡眠模型的价值，以完全捕获睡眠记录的丰富性。SleepFM是开源的，可在https://github.com/rthapa84/sleepfm-codebase上找到。
青少年发展的行为和神经动力学的变化
青春期是一个重要的发育时期，在此期间，大脑功能和行为发生了很大的变化。执行功能的几个方面，包括抑制响应，在此期间有所改善。相应地，结构成像研究已证明皮质和皮质下灰质体积的一致降低，死后组织学研究发现，前额叶皮质中兴奋性突触的大幅度降低（40％）。最近的计算建模工作表明，突触密度的变化是任务性能的改善。这些模型还可以预测与吸引子盆地深度相关的神经动力学的变化，其中更深层次的盆地可以构成更好的任务绩效。在这项研究中，我们分析了与任务相关的神经染色体，在跨越早期至晚期的大量纵向持续的受试者（男性和女性）中。我们发现年龄与埃里克森侧翼任务中的行为表现呈正相关。较旧的受试者在特定的认知操作过程中围绕与任务相关的EEG潜力的更深吸引者盆地的特征。因此，与检查兴奋性突触修剪的效果的计算模型一致，老年青少年在任务执行过程中表现出更强的吸引力动力学。
使用小语言模型对气候变化报告的有效基于方面的摘要
使用自然语言处理（NLP）来帮助采取气候变化行动的决策者，这被强调为用例与更广泛的驱动力对准NLP Technologies，以提供社会优点。在这种情况下，提取和汇总相关信息的基于方面的摘要（ABS）系统特别有用，因为他们以方便的方式为利益相关者提供了在专家策划的寄存器中查找相关信息的方式。在这项工作中，我们发布了一个新的数据集，用于腹部逐渐变化报告，并介绍了不同的大型语言模型（LLM）和所谓的小语言模型（SLMS），以不受监督的方式解决此问题。考虑到手头的问题，我们还展示了SLM的问题在导致碳脚印刷减少的同时，SLM的问题并没有明显差。我们这样做是通过首次申请现有框架，考虑到能源效率和任务绩效，以评估ABS的零摄像生成模型。总的来说，我们的结果表明，大小的现代语言模式可以有效地解决ABS的气候变化报告，但是当我们将问题作为检索增强发电（RAG）问题（我们的工作和数据集）时，需要更多的搜索，并且我们的工作和数据集将有助于促进这个方向的努力。1
Spinnaker上的语言建模2神经形态芯片
随着大型语言模型的规模继续迅速扩展，运行它们所需的计算能力也是如此。基于事件的神经形态设备的网络提供了一种潜在的方法来大大减少推理的能源消耗。迄今为止，大多数基于事件的网络都可以在包括尖峰神经网络（SNNS）在内的神经形态硬件上运行，即使与LSTM模型相当，也无法实现任务性能。结果，对神经形态设备的语言建模似乎是一个遥远的前景。在这项工作中，我们基于最近发表的基于事件的架构The Egru，演示了在神经形态设备（特别是Spinnaker2芯片）上的第一个语言模型实现。spinnaker2是一种多核神经形态芯片，设计用于大规模异步处理，EGRU构建以有效地利用此类硬件，同时保持竞争性任务绩效。此实现标志着神经形态语言模型首次与LSTM匹配，为将任务性能带到大语言模型的级别设定了阶段。我们还根据DVS摄像机的输入来展示对手势识别任务的结果。总的来说，我们的结果展示了这种神经启发的神经网络在硬件中的可行性，强调了单批推断的常见用例的能源效率的显着增长与常规硬件的可行性。
SleepFM：在大脑活动，ECG和呼吸信号
睡眠是通过记录各种方式来评估一种复杂的生理过程。我们从14,000多个参与者中策划了一个大型的多模式睡眠记录的大型多摄影数据集。掌握了这个广泛的数据集，我们开发了SleepFM，这是第一个用于睡眠分析的多模式基础模型。我们表明，与标准的成对构造学习的表示相比，一种新颖的对比学习方法可以显着证明下游任务绩效。A logistic regression model trained on SleepFM 's learned embeddings out- performs an end-to-end trained convolutional neu- ral network (CNN) on sleep stage classification (macro AUROC 0.88 vs 0.72 and macro AUPRC 0.72 vs 0.48) and sleep disordered breathing de- tection (AUROC 0.85 vs 0.69 and AUPRC 0.77 vs 0.61）。值得注意的是，从90,000个候选者中检索模态剪辑对时，学到的嵌入在检索模态剪辑对方面具有48％的平均准确性。这项工作展示了整体多模式睡眠建模的价值，以完全捕获睡眠记录的丰富性。SleepFM是开源的，可在https://github.com/rthapa84/sleepfm- codebase上找到。
流量管理 (TFM) 工具
15. 补充说明 16. 摘要 目标：本研究的目的是更好地理解在使用交通流量管理 (TFM) 领域和其他适用的空中交通管制领域计划使用的决策支持工具 (DST) 类型时人类的行为。 背景：DST 通常不是 100% 准确或可靠的，因为它们基于概率信息（例如天气预报）做出决策。DST 可能会提供一个或多个建议。用户对自动化的信任和用户工作量会影响用户实施建议的程度以及任务的执行情况。 方法：来自 FAA William J. Hughes 技术中心的 16 名没有使用 TFM 工具和程序经验的志愿者作为参与者。我们设计了一项新手可以快速学习的任务，并专注于 TFM 人员执行的任务类型的几个关键方面。我们关注可能影响 DST 使用的四个因素：针对特定情况的培训、DST 的可靠性、DST 提出的建议数量以及总体任务工作量。结果：一些因素对任务绩效的客观衡量和主观衡量都有直接影响。一些因素以有意义的方式相互作用，说明了 DST 使用的复杂性，并为 DST 的开发和部署提供了见解和建议。结论：我们发现 DST 可靠性和任务工作量在任务执行中起着重要作用
自我决定、自我调节和大脑
近 30 年来，自主激励在提高自我调节方面的重要性一直是激励研究的焦点话题。尽管进行了广泛的研究，但是尚未有关于自主激励如何促进自我调节功能的机制解释。为了解决这个问题，我们研究了自主性在两个基本自我调节任务中的作用，同时记录了自我调节失败的神经信号（即与错误相关的负性，ERN）。基于自主性可以改善自我调节的概念，我们预计自主激励将增强对自我调节失败的神经情感反应，从而提高相对于控制激励的表现。在研究 1（N 43）中，我们发现特质自主性与自我调节表现呈正相关，并且这种影响是由大脑对自我调节失败的敏感性增强所介导的，这可以通过更大的 ERN 来证明。研究 2（N 55）通过实验性地操纵自主性复制并扩展了这种模式；当自主动机得到情境支持时，任务绩效相对于那些自主性受到削弱和处于中性条件的人有所提高。此外，这种影响是由对自主性的感知增加和更大的 ERN 振幅介导的。这些发现为动机取向、基于大脑的绩效监控和自我调节之间的联系提供了更深入的见解。