XiaoMi-AI文件搜索系统
World File Search System信任
智能供应链基础设施信任
设施/工具金额（购买）评级1评级行动长期银行设施4,500.00 Care A+;稳定的附件1中仪器/设施的详细信息。基本原理和关键评级驱动程序分配给绿谷可再生能源有限公司（GVREL）提议的银行设施的评级从其长期电力购买协议（PPA）的初始容量为310兆瓦的低销售风险中获得了强度。该评级还使与Damodar Valley Corporation（DVC）的合资企业（JV）下开发的整个能力保持舒适性。PPA将确保每个CERC定义的规范以及固定的股本回报率确保全部成本恢复，从而产生稳定的现金流量。PPA中的特定条款涵盖了挑战，薪酬和付款安全机制为评级提供了舒适度。OffTaker/JV合作伙伴DVC的良好信用资料为评级增加了实力。
自动化信任的神经相关性
对信任的生理或神经系统相关性的研究由于需要连续衡量信任度，包括信任敏感或适应性系统，信任度或技术的疼痛点的测量或对人类在循环网络网络入侵检测中的衡量。了解技术领域之间生理反应的局限性和概括性非常重要，因为结果领域的基本特征，相应的用例以及技术的社会可接受的行为受到结果的有用性和相关性。虽然对自动化信任的神经相关性的调查越来越受欢迎，但对信任的神经相关性的了解有限，而当前绝大多数当前研究都在网络或决策援助技术中进行。因此，这些相关性是针对其他领域的可部署措施以及对用例的鲁棒性的鲁棒性，这是未知的。因此，本手稿讨论了信任感知中的当前知识，影响信任的因素以及信任的相应神经相关性是在域之间可推广的。
特别报道：对加密货币的信任
2020 年爱德曼信任度晴雨表。TRU_SUB_FIN。现在考虑金融服务行业内的特定领域，请表明您对以下每个领域的企业做正确事情的信任程度。9 分制；前 4 个框，信任。问题显示给五分之一的样本。TRU_IND。请表明您对以下每个行业中的企业做正确事情的信任程度。9 分制；前 4 个框，信任。行业显示给一半的样本。SEC_TEC。现在考虑以下特定的子行业，请表明您对以下每个行业中的企业做正确事情的信任程度。9 分制；前 4 个框，信任。知情公众和大众人口，28 个市场平均值。
人工智能、信任和代理认知
现有的信任理论假设受托人具有代理权（即意向性和自由意志）。我们认为，信任人工智能 (AI) 与信任人类之间的一个关键的定性区别在于信任者（人类）对受托人的代理权归因程度。我们指定了两种机制，通过这些机制，代理权归因的程度可以影响人类对人工智能的信任。首先，如果人工智能被视为更具代理性，受托人（人工智能）的仁慈的重要性就会增加，但如果它违反信任（由于背叛厌恶，参见 Bohnet & Zeckhauser，2004），预期的心理成本也会增加。其次，仁慈和能力的归因对于对看似无代理的人工智能系统建立信心变得不那么重要，相反，对系统设计者的仁慈和能力归因变得重要。这两种机制都意味着让人工智能看起来更具代理性可能会增加或减少人类对它的信任。虽然人工智能技术的设计者经常努力赋予他们的作品以传达其仁慈本质的特征（例如通过拟人化或透明度），但这也可能改变代理感知，导致它在人类眼中变得不那么值得信赖。关键词：人工智能；信任；代理；背叛厌恶 JEL 分类：M00、M14、Z10
信任与人工智能 - NIST 的 TSAPPS
67 为了充分描述实验程序或概念，本文件中可能会标识某些商业实体、设备或材料。69 此类标识并不意味着国家标准与技术研究所的推荐或认可，也不意味着实体、材料或设备一定是可用于此目的的最佳实体、材料或设备。72 73 74 75 76 77 78 79 80 81 82 国家标准与技术研究所 NISTIR 8332-draft 83 Natl.Inst.Stand.Technol.NISTIR 8332-draft 84 29 页（2021 年 3 月） 85 86 本草案出版物可从以下网址免费获取： 87 https://doi.org/10.6028/NIST.IR.8332-draft 88 89 90 91 92 93 94 请将对本文档的评论发送至：AIUserTrustComments@nist.gov 95
人工智能系统的透明度和信任
摘要 以人工智能 (AI) 为特色的辅助技术支持人类决策已变得无处不在。辅助 AI 的准确度可与人类专家相媲美甚至超过人类专家。然而，辅助 AI 系统的采用往往受到人类对 AI 预测缺乏信任的限制。这就是为什么 AI 研究界一直致力于通过提供 AI 决策的解释来使 AI 决策更加透明的原因。这些解释在多大程度上真正有助于培养对 AI 系统的信任仍是一个悬而未决的问题。在本文中，我们报告了一项行为实验的结果，其中受试者能够利用基于 ML 的决策支持工具进行文本分类。我们通过实验改变了受试者收到的信息，并表明透明度实际上会对信任产生负面影响。我们讨论使用辅助 AI 技术对决策者的影响。
Z一代对人工智能的信任
摘要：目的：本文探讨了Z世代（生于1995- 2009年）对人工智能（AI）的态度和观点，强调了它们与技术的独特关系。设计/方法/方法：研究的性质是探索性的；组织了三个焦点小组，其中包括总共34名参与者，每组包含8至12个人。样本包括Z世代的男性和来自各个民族的女性。他们是大学生（伊拉斯mus或第一周期计划）或高中生（国际学士学位课程）。发现：该研究发现了对AI，情感变化，感知的收益以及Z代表的熟悉程度。结果强调了对AI对隐私和道德挑战的潜力和忧虑的积极情感。实际含义：结果阐明了Z代消费者对AI的态度的组成部分，揭示了其维度和挑战。通过解决参与者确定的弊端和关键信任问题，公司可以更好地与这一越来越有影响力的一代联系，这引起了研究人员和从业人员的极大关注，并将在未来成为主要力量。独创性/价值：AI迅速成为一个至关重要的科学研究领域，其重要性将在未来几年显着增加。随着技术进步的加快，AI的潜在应用正在跨各个部门扩展。另外，AS
数字信任与安全中心
项目概述：错误信息无处不在。它操纵了公民的情感和情感，可以说服人们错误地相信一个话题，可能侵蚀信任，从而对社会造成伤害。利用这样一个事实，即假装道德愤怒可能会产生许多重视，穆尔蒙格可以确保在很短的时间内广泛扩散了适当的措辞虚假信息。但是，在社交媒体上传播的大量信息中确定谣言和虚假新闻是极具挑战性的，法规措施的应用也可以减少其扩散。大型语言模型（LLM）具有通过大量文本培训获得的复杂语言理解能力。然而，与许多AI技术相同，LLM可以被视为既是祝福又是诅咒，尤其是在错误信息方面。LLM的智能特征可以被恶意利用，以迅速产生似乎令人信服的虚假信息。此外，由于在包括一定比例的错误信息的网络文本上训练了LLMS，因此在诸如自动汇总或问题回答之类的任务期间，它们可能会无意间产生错误的信息。llms可能会大大加剧错误信息问题，从而使虚假信息更容易渗透社会。因此，迫切需要开发强大的自动化方法，以区分假货与真实信息。增强对这些特征的理解是开发准确的自动化方法的关键方面。幸运的是，LLMS的高级功能意味着它们也可以通过自动检测错误信息来为与谣言和虚假新闻的传播做出积极贡献。我们正在研究如何最好地利用LLM，以根据常规机器学习和深度学习为基础进行自动检测和分析错误信息的分析。错误信息检测是一个因素问题，不仅依赖于确定文本是否是事实是事实的，而且还依赖于确定有关社交媒体帖子的文本内容和结构的各种功能，这些功能可以交互以表示信息是假的。与社会科学学者合作，致力于错误信息，虚假信息，阴谋理论，论证和信任，我们分析了围绕“伟大的替代”深层国家和全球精英阴谋的社交媒体帖子的集合，以确定语义，词典，词典和风格特征，这些特征具有错误的信息。这些特征包括情感，情感和立场，以及结构和话语级别的信息，例如对话行为和时间动态。我们已经评估了特征的不同组合之间的相互作用以及基于情感特征的指导调整如何使用主流模型（例如Llama2，Chatgpt和Vicuna）改善了对错误信息和阴谋的认识。