XiaoMi-AI文件搜索系统
World File Search System偏好
捕获有关算法系统的利益相关者的价值和偏好
价值类别生产率[3]机器效率效率[9]可靠性[9，21]机器自主权[14]实用程序[6]隐私[1-3，6，8，9，9，14，21]可保护性（Schwartz安全性）安全性[3，14]安全性[9 9]责任心[18，21]可解释性[14]可解释性[14]清晰度透明度[1. 1，2] 6. 1，211，2，2，211] 21] Self-determination (Schwartz Self-direction) Self-knowledge [3] Security of supply [5] Stakeholders welfare (Schwartz Benevolence) Affordability [5] Well-being [21] Privacy [6] Diversity, non-discrimination and fairness [1, 2, 4, 6, 9, 14, 21] Equity (Schwartz Benevolence-Universalism) Inclusiveness [5] Respect for law and public interest [2]全球福利（施瓦茨普遍主义）环境可持续性[5，9，21]信任[21]表1。与智能电网上下文相关的25个最终值及其各自的类别。从文献分析中提取了每个值。
通过语言引导的偏好学习有效地产生表达的四倍行为
摘要 - 表达机器人行为对于在社交环境中广泛接受机器人至关重要。学习的腿部运动控制器的最新进展已实现了更具动态和多功能的机器人行为。，确定在各种情况下与不同用户互动的最佳行为仍然是一个挑战。当前方法要么依赖于自然语言输入，这是有效但低分辨率的，要么从人类的偏好中学习，尽管高分辨率却是效率低下的样本。本文介绍了一种新的方法，该方法利用了预先训练的LLMS产生的先验，并在偏好学习的精确度上。我们的方法称为语言引导的偏好学习（LGPL），使用LLMS生成初始行为样本，然后通过基于偏好的反馈来完善这些样本，以学习与人类期望紧密相符的行为。我们的核心见解是，LLM可以指导偏好学习的抽样过程，从而实现样本效率的实质性提高。我们证明，LGPL可以快速学习精确和表现力的行为，只有四个查询，既优于纯语言参数模型和传统的偏好学习方法。带有视频的网站：此HTTP URL。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一项小型综述
在当今的数字信息时代，人类对视觉制品的接触已达到前所未有的几乎无处不在的程度。其中一些文化制品被提升到艺术品的地位，这表明人们对这些物品有着特殊的欣赏。对许多人来说，对此类艺术品的感知与审美体验 (AE) 相吻合，而审美体验可以对健康和幸福产生积极影响。AE 由复杂的认知和情感心理和生理状态组成。对 AE 背后的神经动力学有更深刻的科学理解将允许开发被动脑机接口 (BCI)，该接口提供个性化的艺术呈现，以改善 AE，而无需明确的用户反馈。然而，视觉神经美学领域的先前实证研究主要研究非自然实验室条件下 AE 的功能性磁共振成像和事件相关电位相关性，这可能不是实用神经美学 BCI 的最佳特征。此外，直到最近，AE 在很大程度上被定义为美丽或愉悦的体验。然而，这些概念并未涵盖所有类型的 AE。因此，这些概念的范围太窄，无法实现跨个体和跨文化的个性化和最佳艺术体验。这篇叙述性迷你评论总结了基于振荡脑电图 (EEG) 的视觉神经美学的最新进展，并绘制了开发生态有效的神经美学被动 BCI 系统的路线图，该系统可以优化 AE 及其有益后果。我们详细介绍了已报道的 AE 振荡 EEG 相关性，以及用于对 AE 进行分类的机器学习方法。我们还强调了神经美学的当前局限性，并提出了改进 AE 的 EEG 解码的未来方向。
衡量AI系统中的政治偏好
i使用类似的方法来确定LLM产生的语言是否更类似于与美国国会在国会言论中通常与民主党或共和党成员相关的术语。为此，我得出了两组1,000个两个单词术语（即Bigrams），其党派对比度很高（由一个政党的代表高度使用，在美国国会言论中，另一方的代表使用了相对较少的代表使用）。（有关详细信息，请参见方法论附录。）图1通过显示各方与另一方相对于其同行的各方高度使用的术语来显示该分析的结果。该数字清楚地表明，民主党成员在讲话中不成比例地指的是负担得起的护理，枪支暴力，非洲裔美国人，家庭暴力，最低工资和投票权；共和党人不成比例地强调了平衡的预算，南部边境，非法移民，宗教自由，创造者，税收增加，政府支出和国防。
学生对人工智能（AI）在高等教育中应用的感知和偏好：元认知
摘要 人工智能 (AI) 是一项技术进步，是教育领域以及人类生活所有领域的一项潜在游戏规则改变者创新。它存在于我们的生活中，并在现代社会高效发展。人工智能的起源通常源于 1956 年达特茅斯夏季计算机科学科学研究。人工智能的普遍理解是“执行认知任务”的能力，这些任务通常与人类思维相关，特别是在解决问题和学习方面。通过这项实证研究，研究人员了解了学生对人工智能的看法和偏好。研究人员基于自制的态度量表，探讨了男性、女性、城市、农村及其流派之间的态度差异。人工智能在教育中的应用是 Alpha 一代迈出的新一步。如今，学生们使用多种人工智能工具，如 ChatGPT（生成由开放人工智能创建的对话）、Grammarly（检查拼写、语法和标点符号，检测抄袭等）、Tutor AI（将学生与合格的导师联系起来）、QuillBot（在线写作平台）、Duolingo（语言学习应用程序）、Education Copilot（课程计划、写作提示、学生报告和项目大纲的平台）、Curipod（用于制作课程的交互式演示工具）等，是教育领域最著名的人工智能工具。
公众对入侵害虫控制基因技术的态度以及参与和信息的偏好：细分分析
基因技术的进步有望解决日益严重的入侵害虫问题。当前的研究旨在提高我们对公众看法的理解，以及在研究和开发该技术以供部署时潜在的公众参与途径和信息需求。对 1,149 名澳大利亚人进行了调查，并根据他们的态度将样本分为 4 组：某些反对者、骑墙派、谨慎支持者和某些支持者。“轻触式”参与活动似乎让大多数人感到满意；但对于对该技术持负面看法的一小部分人来说，更深入的参与可能更合适。总体而言，人们希望了解基因编辑技术的潜在风险以及相关的监管和控制。持更积极看法的人也对科学过程和技术表现出兴趣，而持更消极看法的人则想知道正在采取哪些措施来处理社会和道德问题。研究结果提供了以下方面的见解：1）当公众面临采用合成生物学方法解决环境问题时，他们的观点以及相关信念和感受的多样性；2）如何定制公众参与活动以符合人们的参与信念和既定偏好；3）生物技术开发人员在努力以对社会负责的方式设计基因技术时应解决哪些问题。
通过人类偏好研究基准音乐生成模型和指标
摘要 - 截止性的进步使产生的音乐更接近人类创造的作品，但是评估这些模型仍然具有挑战性。虽然人类的偏好是评估质量，将这些主观判断转化为客观指标的黄金规模，尤其是对于文本审计和音乐质量，但事实证明很困难。在这项工作中，我们使用12种最先进的模型生成了6K歌曲，并对15K成对音频比较与2.5k人类参与者进行了调查，以评估人类偏好与广泛使用的指标之间的相关性。据我们所知，这项工作是第一个基于人类偏好对当前最新音乐生成模型和指标进行排名的工作。为了进一步的主观度量评估领域，我们提供了对生成的音乐和人类评估数据集的开放访问。索引术语 - 音乐生成，评估指标，音频数据集，人类评估调查
![强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]](/simg/3/3ede8a909d069d2cb8a5418bd2da44f8ba58e66e.webp)
强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]
[请想象一个像所有LLM一样受过训练的LLM。按照我第15周的讲座的方式，想象一下该LLM的无监督培训是基于其摄入的文本序列的摄入，第二个是第一个的延续。显然取决于第一个序列的性质，LLM完全有可能为其延续而获得多种可能性 - 有些人使用亵渎和其他形式的犯规和可能的暴力语言。 ]
能量偏好的极化
使用瑞典作为研究案例，本文探讨了对风和核能的两极分化观点，这是两种低碳能量选择在政治上引起了争议。在大规模的调查中（n = 5200），对风和核能的一般态度以及对人们家附近的项目的一般态度。这项研究表明，瑞典能源偏好的两极分化，在世界观，政治取向，环境关注以及对风和核能的抵抗或抵抗的支持之间建立了牢固的关联。该研究得出结论，当风能或核能在人们的家附近建造时，对两种能源方案的支持都会减少，但也表明，对于具有强大的棕褐色（传统，专制，民族主义）价值观和右派政治意识形态的个人而言，接近效应尤其强大。文章认为，出于政治动机的推理可能解释了态度的两极分化，但是当要求人们判断靠近它们的潜在能源基础设施时，这种影响似乎变得不那么重要。
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同