XiaoMi-AI文件搜索系统
World File Search System半自动化
用于脑肿瘤控制的植入电极电场输送优化规划系统
摘要背景：利用低强度电压源（<10 V）产生的非电离电场来控制恶性肿瘤生长作为一种癌症治疗方式的潜力越来越大。在肿瘤内或肿瘤附近植入多个电极施加低强度电场的方法被称为肿瘤内调制疗法（IMT）。目的：本研究探讨了先前建立的 IMT 优化算法的进展，以及针对特定患者 IMT 的定制治疗计划系统的开发。通过在脑模型上实施完整的优化流程，包括机器人电极植入、术后成像和治疗刺激，证明了治疗计划系统的实用性。方法：3D Slicer 中的集成计划流程从导入和分割患者磁共振图像（MRI）或计算机断层扫描（CT）图像开始。分割过程是手动的，然后是半自动平滑步骤，通过应用选定的过滤器可以平滑和简化分割的大脑和肿瘤网格体积。通过选择插入和尖端坐标，在患者 MRI 或 CT 上手动规划电极轨迹，以选择所选电极数量的插入和尖端坐标。然后可以使用自定义的半自动 IMT 优化算法优化电极尖端位置和刺激参数（相移和电压），其中用户可以选择处方电场、电压幅度限制、组织电特性、附近危及的器官、优化参数（电极尖端位置、单个接触相移和电压）、所需的场覆盖百分比和场适形度优化。显示优化结果表，并将得到的电场可视化为叠加在 MR 或 CT 图像上的场图，并显示大脑、肿瘤和电极的 3D 渲染。优化后的电极坐标被传输到机器人电极植入软件，以便规划电极并随后按照所需轨迹植入。结果：开发了一种 IMT 治疗计划系统，该系统结合了患者特定的 MRI 或 CT、分割、体积平滑、电极轨迹规划、电极尖端定位和刺激参数优化以及结果可视化。所有以前在不同软件平台上运行的手动管道步骤都合并到一个半自动化的基于 3D Slicer 的用户界面中。在术前计划、机器人电极植入和术后治疗计划中，对整个系统实施的脑模型验证均取得成功，以根据患者情况调整刺激参数
通过疫苗串通OMOP疫苗相关词汇
1。Abeysinghe R，Black A，Kaduk D等。使用半自动化的方法，在OMOP词汇中疫苗概念映射的质量改进。j BioMed Inform。2022; 134：104162。2。He，Y.，Cowell，L.，Diehl，A。等。vo：疫苗本体论。nat Prec（2009）。https://doi.org/10.1038/npre.2009.3552.1 3。lin y，He Y.本体论表示和分析疫苗公式和给药及其对疫苗免疫反应的影响。J BioMed语义。2012年12月20日; 3（1）：17。4。IIS：当前HL7标准代码集CVX-施用的疫苗[引用2023年6月7日]。可从：https：//www2a.cdc.gov/vaccines/iis/iis/iisstandards/vaccines.asp?rpt=cvx 5。https://github.com/vaccineontology 6。Ong e，Xiang Z，Zhao B，Liu Y，Lin Y，Zheng J，Mungall C，Courtot M，Ruttenberg A，He Y. Ontobee：链接的本体学数据服务器，以支持本体术语术语术语术语递减，链接，查询，查询，查询和集成。核酸res。2017年1月4日； 45（D1）：D347-D352。7。Musen MA； Protégé团队。 Protégé项目：回顾和向前看。 AI很重要。 2015 Jun; 1（4）：4-12。 8。 Xiang Z，Zheng J，Lin Y，He Y. Ontorat：基于本体设计模式的新本体论项，注释和公理的自动生成。 J BioMed语义。 2015年1月9日; 6：4。 9。https://github.com/vaccineontology/vo/tree/master/docs10. 疫苗缩写| CDC [Internet]。 [引用2023年6月7日]。 可从：获得Musen MA； Protégé团队。Protégé项目：回顾和向前看。AI很重要。2015 Jun; 1（4）：4-12。 8。 Xiang Z，Zheng J，Lin Y，He Y. Ontorat：基于本体设计模式的新本体论项，注释和公理的自动生成。 J BioMed语义。 2015年1月9日; 6：4。 9。https://github.com/vaccineontology/vo/tree/master/docs10. 疫苗缩写| CDC [Internet]。 [引用2023年6月7日]。 可从：获得2015 Jun; 1（4）：4-12。8。Xiang Z，Zheng J，Lin Y，He Y. Ontorat：基于本体设计模式的新本体论项，注释和公理的自动生成。J BioMed语义。2015年1月9日; 6：4。9。https://github.com/vaccineontology/vo/tree/master/docs10.疫苗缩写| CDC [Internet]。[引用2023年6月7日]。可从：
年度报告 - TIMA 实验室 - 格勒诺布尔阿尔卑斯大学
稳健性和可靠性 许多领域在经典的设计约束列表中都具有功能安全性，例如汽车领域的 ISO 26262 标准。我们的工作旨在改进对可靠性的早期评估。环境干扰引起的错误。目标是降低开发和生产成本，能够在设计的早期阶段准确评估软错误和永久错误的潜在功能影响。我们最近提出了一种跨层故障模拟方法来执行关键嵌入式系统的稳健性评估，该方法基于事务级模型 (TLM) 和寄存器传输级 (RTL) 描述中的故障注入，以在模拟时间和模拟高级故障行为的真实性之间进行权衡。该方法的另一个重要特征是考虑全局系统规范，以便区分实际的关键故障和导致对系统行为没有实际影响的故障。该方法已应用于机载案例研究。2021 年，该方法通过迭代流程得到改进，既可以全局减少故障注入持续时间，又可以随着迭代改进 TLM 模型，从而实现在 TLM 和 RTL 级别注入故障的后果之间的良好相关性。2021 年开始的另一项研究旨在更好地评估（和预测）软件工作负载对微控制器和 SoC 等复杂数字组件可靠性的影响。最终，一个目标是定义一组代表性基准，以便在实际应用程序可用之前对关键系统进行可靠性评估。第一步是开发一种基于适用于多种处理器的虚拟平台的多功能分析工具，与 QEMU 的修改版本相对应。该分析流程已应用于 RISC-V 目标和 Mibench 软件，使我们能够更好地了解软件负载对 SoC 容错的影响。我们提出的指标“似然百分比”表明，使用我们的工具进行高级评估可以非常有效地获得有关程序行为的重要信息，与从参考指令集模拟器和硬件架构获得的结果一致。我们还表明，我们的分析工具使我们能够比较多个程序的行为并表现出特定的特征。主要目标是在 SoC 设计领域传输和应用 RAMS 方法和工具。这些数据有助于理解处理器架构将如何用于每个应用程序，从而了解根据软件负载可以预期的容错级别。我们提出了三个假设，这些假设必须通过更多的程序示例、多个硬件平台的使用以及最终在粒子束下的实际测试来证实。在自动质量或安全保证水平评估领域，我们提出了第一种方法，用于自动提取片上系统内有效和故障状态机的过程。通过此方法自动提取的数据是行为建模和 FMEA（故障模式和影响分析）分析的相关输入。该方法基于一种半自动化方法，用于在单粒子翻转 (SEU) 或触发器卡住的假设下系统地提取数字设计的故障模式。此过程旨在增强人为故障分析，并在复杂设备的质量保证过程中为 RAMS（可靠性、可用性、可维护性和安全性）框架提供输入。已经在 I2C - AHB 系统上进行了实验结果，为对整个 SoC [CI3] 进行完整且更复杂的分析奠定了基础。 由于技术规模扩大和晶体管尺寸越来越小并更接近原子尺寸，上一代 CMOS 技术在各种物理参数中呈现出更多的可变性。此外，电路磨损退化会导致额外的时间变化，可能导致时序和功能故障。为了处理此类问题，一种传统方法是在设计时提供更多的安全裕度（也称为保护带）。因此，使用延迟违规监视器成为必须。放置监视器是一项关键任务，因为设计师必须仔细选择最容易老化且可能成为给定设计中潜在故障点的位置。
羊毛生产中的人工智能
通过人工智能 (AI) 从大规模数字化数据集中提取信息在规模和变化速度上都是前所未有的。新的数据捕获源包括数字成像、GPS 定位和移动、高分辨率生物标记和生物传感器、实时自动捕获市场和环境数据。澳大利亚羊毛行业是评估此类新表型对盈利能力和先进农业系统影响的理想选择。该项目对人工智能（尤其是深度学习）的实用性进行了初步评估，以准确预测图像、生物标记和动物传感器输出的性能结果。我们开发了一种半自动化系统，该系统能够在田间/院子条件下拍摄高分辨率图像并将其链接到动物电子识别 (EID)。该系统还允许半自动记录体重。使用该系统，我们使用 4 个摄像机角度（即正面、顶部和背面）从 4072 只绵羊创建了 1,482,041 幅图像的图像库。所有绵羊在拍摄图像时都称重，并根据面部覆盖（1-5）、颈部皱纹（1-5）和身体皱纹（1-5）进行主观评分，并识别为 EID。使用图像子集，我们将数字信息应用于深度学习分析管道，特别是使用卷积神经网络 (CNN) 分析。使用 Keras (https://keras.rstudio.com) 和 Tensorflow (https://www.tensorflow.org) 开发模型。将数据细分为训练集、评估集和独立测试集，以预测 AI 预测相应表型的能力。使用侧面和顶部摄像头，预测算法可以分别以 86% 和 87% 的准确率预测体重，并且没有偏差。顶部和侧面摄像头的信息相结合，准确率为 89%。对于面部识别，AI 经过训练可以检测每只羊的头部形状和身体形状，只要羊来自相同的训练和测试集，准确率为 99%。使用每只羊的面部和身体图像的随机子集，AI 算法可以以 94% 和 98% 的准确率将匿名面部和身体图像与羊 EID 匹配，当同时使用面部和身体信息时，准确率为 99.7%。但是，当 5 个月后测试同一只羊的图像时，准确率会大大降低（<10%），除非两个时间点的图像都包含在训练数据集中（准确率提高到 90-98%）。使用皱纹评分的全量表（1-5）预测准确率较低，为 38%-58%。这表明，在面部识别的初始训练中，需要从同一只羊那里获取非常大的数据集，并随着时间的推移不断重复，以检测每只羊独特的生物特征。一旦建立了这样的初始训练数据集，面部识别就可以应用于新的人群。对于颈部和身体皱纹，AI 管道能够将动物分配到高皱纹或低皱纹类别，准确率为 73%-90%，具体取决于预测的相机角度和皱纹特征。AI 预测与手动评分的准确率相匹配，高和低皱纹评分的准确率为 98%-99%，扩展的 1-5 级皱纹评分的准确率为 57%-60%。对于面部遮盖评分，在 2 和 3 之间划分的初始分类器显示的结果略好于随机结果。这在很大程度上取决于种群中面部遮盖数据的分布，其中 87% 的动物被分配到中心类别，不到 1% 的动物属于极端类别。这没有为 AI 算法的训练和验证提供任何能力。为了测试 AI 在描述面部遮盖分数方面的实用性，ML 分类器经过训练可以区分面部遮盖分数 2 和 4。当从图像中裁剪出多个区域时，分类器的预测能力得到证明，准确率为 87%。使用更平衡的数据集，其中每个面部遮盖分数都得到同等代表，很可能区分所有 5 个面部遮盖分数。对生物传感器和生物标记技术的范围及其与深度学习 AI 技术相结合时对绵羊产业定义表型的可能效用进行了审查。全球在该领域的投资成果可能会转移到绵羊产业，并将加速数字化数据量的涌现，其中大多数数据都适合人工智能和深度学习管道。在生物传感器领域，动物加速度计和地理定位设备最有前景。在生物标记领域，基因组学被认为具有最大的潜在直接优势，因为样本可以在早期采集，不受生理状态的影响，并且可以从单个样本中为几乎所有性状提供表型和遗传预测值。大规模蛋白质组学（包括免疫学）和代谢组学研究都具有广阔的未来，因为它们与生理（生产/疾病）状态密切相关，并且适合通过人工智能进行大规模分析，并且可能为复杂性状提供低成本的表型分析，尤其是与动物生物传感器结合时。
Mandi Cai 和 Sachita Nishal。2023 年。新闻业人工智能素养的动机、目标和途径。在 CHI '23 人工智能研讨会上
[1] Stuart Allan。2011 年。《引言：数字时代的科学新闻》。《新闻学》12，7（2011 年 10 月），771–777。https://doi.org/10.1177/1464884911412688 [2] Josh Anderson 和 Anthony Dudo。2023 年。《来自战壕的观点：与记者关于报道科学新闻的访谈》。《科学传播》（2023 年 1 月），107554702211491。https://doi.org/10.1177/10755470221149156 [3] Aviv Barnoy 和 Zvi Reich。2019 年。验证的时间、原因、方式和结果。新闻研究 20, 16 (2019 年 12 月)，2312–2330。https://doi.org/10.1080/1461670X.2019.1593881 出版商：Routledge _eprint：https://doi.org/10.1080/1461670X.2019.1593881。[4] Emily Bender 和 Chirag Shah。2022 年。无所不知的机器是一种幻想。https://iai.tv/articles/all-knowing-machines-are-a-fantasy-auid-2334 [5] Emily M. Bender。2022 年。《华盛顿邮报》对 ChatGPT 的炒作。 https://medium.com/@emilymenonbender/chatgpt-hype-in-the-washington-post- c4e1355ed31b [6] Emily M. Bender。2022 年。纽约时报杂志上的 AI 文章：抵制留下深刻印象的冲动。https://medium.com/@emilymenonbender/on-nyt-magazine- on-ai-resist-the-urge-to-be-impressed-3d92fd9a0edd [7] Emily M. Bender、Timnit Gebru、Angelina McMillan-Major 和 Shmargaret Shmitchell。2021 年。论随机鹦鹉的危险：语言模型会太大吗？。在 2021 年 ACM 公平、问责和透明度会议论文集上。ACM，加拿大虚拟活动，610–623。 https://doi.org/10.1145/3442188.3445922 [8] Deborah Blum。2021 年。科学新闻事业发展。《科学》372，6540（2021 年 4 月）。https://doi.org/10.1126/science.abj0434 [9] Joshua A. Braun 和 Jessica L. Eklund。2019 年。假新闻，真钱：广告技术平台、利润驱动的骗局和新闻业务。《数字新闻》7，1（2019 年 1 月），1-21。https://doi.org/10.1080/21670811.2018.1556314 [10] J Scott Brennen、Philip N Howard 和 Rasmus Kleis Nielsen。 2018. 行业主导的辩论：英国媒体如何报道人工智能。（2018 年）。[11] Michael Brüggemann、Ines Lörcher 和 Stefanie Walter。2020. 后常态科学传播：探索科学与新闻业模糊的界限。科学传播杂志 19, 3 (2020 年 6 月)。https://doi.org/10.22323/2.19030202 [12] Madalina Busuioc。2021. 负责任的人工智能：让算法承担责任。公共管理评论 81, 5 (2021)。https://doi.org/10.1111/puar.13293 [13] Tania Cerquitelli、Daniele Quercia 和 Frank Pasquale（编辑）。2017. 大数据和小数据的透明数据挖掘。大数据研究，第 1 卷。 32. Springer International Publishing，Cham。https://doi.org/10.1007/978-3-319-54024-5 [14] Mark Deuze 和 Charlie Beckett。2022 年。想象力、算法和新闻：培养新闻业的人工智能素养。数字新闻 10，10（2022 年 11 月），1913-1918 年。https://doi.org/10.1080/21670811.2022.2119152 [15] Nicholas Diakopoulos。2015 年。算法问责制。数字新闻 3，3（2015 年 5 月）。https://doi.org/10.1080/21670811.2014.976411 [16] Nicholas Diakopoulos，Daniel Trielli 和 Grace Lee。2021 年。通过半自动化新闻发现工具理解和支持新闻实践。ACM 人机交互论文集 5，CSCW2（2021 年 10 月），1-30。https://doi.org/10.1145/3479550 [17] Wolfgang Donsbach。2012 年。记者的角色认知。《国际传播百科全书》，Wolfgang Donsbach（编辑）。John Wiley & Sons, Ltd，英国奇切斯特，wbiecj010.pub2。https://doi.org/10.1002/9781405186407.wbiecj010.pub2 [18] Sharon Dunwoody。2021 年。科学新闻：数字时代的前景。摘自《劳特利奇公共科学技术传播手册》（第 3 版）。劳特利奇。[19] David Freeman Engstrom、Daniel E. Ho、Catherine M. Sharkey 和 Mariano-Florentino Cuéllar。2020 年。算法政府：联邦行政机构中的人工智能。技术报告。美国行政会议。https://www.ssrn.com/abstract=3551505 [20] Declan Fahy 和 Matthew Nisbet。2011 年。在线科学记者：角色转变和新兴实践。新闻学 12，7（2011 年 10 月）。https://doi.org/10.1177/1464884911412697 [21] Batya Friedman、Peter Kahn 和 Alan Borning。2002 年。价值敏感设计：理论与方法。华盛顿大学技术报告 2 (2002)，第 12 页。出版商：Citeseer。[22] Oscar H. Gandy。1980 年。健康信息：补贴新闻。媒体、文化与社会 2，2（1980 年 4 月）。https://doi.org/10.1177/016344378000200201 [23] Tony Harcup 和 Deirdre O'Neill。2017 年。什么是新闻？：重新审视新闻价值（再次）。新闻研究 18，12（2017 年 12 月），1470–1488。 https://doi.org/10.1080/1461670X.2016.1150193 [24] Ziwei Ji、Nayeon Lee、Rita Frieske、Tizheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Yejin Bang、Andrea Madotto 和 Pascale Fung。 2022.自然语言生成中的幻觉调查。计算。调查（2022 年 11 月）。 https://doi.org/10.1145/3571730 [25] Bronwyn Jones、Rhianne Jones 和 Ewa Luger。 2022.人工智能“无处不在”：解决公共服务新闻中的人工智能清晰度问题。数字新闻 10, 10（2022 年 11 月），1731–1755。 https://doi.org/10.1080/21670811.2022.2145328 [26] Sayash Kapoor 和 Arvind Narayanan。2022 年。人工智能新闻业需要警惕的 18 个陷阱。https://aisnakeoil.substack.com/p/eighteen-pitfalls-to-beware-of-in [27] Percy Liang、Rishi Bommasani、Kathleen Creel 和 Rob Reich。2022 年。现在是制定发布基础模型的社区规范的时候了。https://hai.stanford.edu/news/time-now-develop-community-norms-release-foundation-modelsJohn Wiley & Sons, Ltd，英国奇切斯特，wbiecj010.pub2。https://doi.org/10.1002/9781405186407.wbiecj010.pub2 [18] Sharon Dunwoody。2021 年。科学新闻：数字时代的前景。载于《劳特利奇科学技术公共传播手册》（第 3 版）。劳特利奇。[19] David Freeman Engstrom、Daniel E. Ho、Catherine M. Sharkey 和 Mariano-Florentino Cuéllar。2020 年。算法政府：联邦行政机构中的人工智能。技术报告。美国行政会议。https://www.ssrn.com/abstract=3551505 [20] Declan Fahy 和 Matthew Nisbet。2011 年。在线科学记者：角色转变和新兴实践。新闻学 12，7 (2011 年 10 月)。https://doi.org/10.1177/1464884911412697 [21] Batya Friedman、Peter Kahn 和 Alan Borning。2002 年。价值敏感设计：理论与方法。华盛顿大学技术报告 2 (2002)，12。出版商：Citeseer。[22] Oscar H. Gandy。1980 年。健康信息：补贴新闻。媒体、文化与社会 2，2 (1980 年 4 月)。https://doi.org/10.1177/016344378000200201 [23] Tony Harcup 和 Deirdre O'Neill。2017 年。什么是新闻？：重新审视新闻价值（再次）。新闻研究 18, 12（2017 年 12 月），1470–1488。 https://doi.org/10.1080/1461670X.2016.1150193 [24] Ziwei Ji、Nayeon Lee、Rita Frieske、Tizheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Yejin Bang、Andrea Madotto 和 Pascale Fung。 2022.自然语言生成中的幻觉调查。计算。调查（2022 年 11 月）。 https://doi.org/10.1145/3571730 [25] Bronwyn Jones、Rhianne Jones 和 Ewa Luger。 2022.人工智能“无处不在”：解决公共服务新闻中的人工智能清晰度问题。数字新闻 10，10（2022 年 11 月），1731–1755 年。https://doi.org/10.1080/21670811.2022.2145328 [26] Sayash Kapoor 和 Arvind Narayanan。2022 年。人工智能新闻业需要警惕的 18 个陷阱。https://aisnakeoil.substack.com/p/eighteen-pitfalls-to-beware-of-in [27] Percy Liang、Rishi Bommasani、Kathleen Creel 和 Rob Reich。2022 年。现在是制定发布基础模型的社区规范的时候了。https://hai.stanford.edu/news/time-now-develop-community-norms-release-foundation-modelsJohn Wiley & Sons, Ltd，英国奇切斯特，wbiecj010.pub2。https://doi.org/10.1002/9781405186407.wbiecj010.pub2 [18] Sharon Dunwoody。2021 年。科学新闻：数字时代的前景。载于《劳特利奇科学技术公共传播手册》（第 3 版）。劳特利奇。[19] David Freeman Engstrom、Daniel E. Ho、Catherine M. Sharkey 和 Mariano-Florentino Cuéllar。2020 年。算法政府：联邦行政机构中的人工智能。技术报告。美国行政会议。https://www.ssrn.com/abstract=3551505 [20] Declan Fahy 和 Matthew Nisbet。2011 年。在线科学记者：角色转变和新兴实践。新闻学 12，7 (2011 年 10 月)。https://doi.org/10.1177/1464884911412697 [21] Batya Friedman、Peter Kahn 和 Alan Borning。2002 年。价值敏感设计：理论与方法。华盛顿大学技术报告 2 (2002)，12。出版商：Citeseer。[22] Oscar H. Gandy。1980 年。健康信息：补贴新闻。媒体、文化与社会 2，2 (1980 年 4 月)。https://doi.org/10.1177/016344378000200201 [23] Tony Harcup 和 Deirdre O'Neill。2017 年。什么是新闻？：重新审视新闻价值（再次）。新闻研究 18, 12（2017 年 12 月），1470–1488。 https://doi.org/10.1080/1461670X.2016.1150193 [24] Ziwei Ji、Nayeon Lee、Rita Frieske、Tizheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Yejin Bang、Andrea Madotto 和 Pascale Fung。 2022.自然语言生成中的幻觉调查。计算。调查（2022 年 11 月）。 https://doi.org/10.1145/3571730 [25] Bronwyn Jones、Rhianne Jones 和 Ewa Luger。 2022.人工智能“无处不在”：解决公共服务新闻中的人工智能清晰度问题。数字新闻 10，10 (2022 年 11 月)，1731–1755 年。https://doi.org/10.1080/21670811.2022.2145328 [26] Sayash Kapoor 和 Arvind Narayanan。2022 年。人工智能新闻业需要警惕的 18 个陷阱。https://aisnakeoil.substack.com/p/eighteen-pitfalls-to-beware-of-in [27] Percy Liang、Rishi Bommasani、Kathleen Creel 和 Rob Reich。2022 年。现在是制定发布基础模型的社区规范的时候了。https://hai.stanford.edu/news/time-now-develop-community-norms-release-foundation-models和 Alan Borning。2002 年。价值敏感设计：理论与方法。华盛顿大学技术报告 2（2002 年），12。出版商：Citeseer。[22] Oscar H. Gandy。1980 年。健康信息：补贴新闻。媒体、文化与社会 2，2（1980 年 4 月）。https://doi.org/10.1177/016344378000200201 [23] Tony Harcup 和 Deirdre O'Neill。2017 年。什么是新闻？：重新审视新闻价值观（再次）。新闻研究 18，12（2017 年 12 月），1470–1488。 https://doi.org/10.1080/1461670X.2016.1150193 [24] Ziwei Ji、Nayeon Lee、Rita Frieske、Tizheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Yejin Bang、Andrea Madotto 和 Pascale Fung。 2022.自然语言生成中的幻觉调查。计算。调查（2022 年 11 月）。 https://doi.org/10.1145/3571730 [25] Bronwyn Jones、Rhianne Jones 和 Ewa Luger。 2022.人工智能“无处不在”：解决公共服务新闻中的人工智能清晰度问题。数字新闻 10, 10（2022 年 11 月），1731–1755。 https://doi.org/10.1080/21670811.2022.2145328 [26] Sayash Kapoor 和 Arvind Narayanan。2022 年。人工智能新闻业需要警惕的 18 个陷阱。https://aisnakeoil.substack.com/p/eighteen-pitfalls-to-beware-of-in [27] Percy Liang、Rishi Bommasani、Kathleen Creel 和 Rob Reich。2022 年。现在是制定发布基础模型的社区规范的时候了。https://hai.stanford.edu/news/time-now-develop-community-norms-release-foundation-models和 Alan Borning。2002 年。价值敏感设计：理论与方法。华盛顿大学技术报告 2（2002 年），12。出版商：Citeseer。[22] Oscar H. Gandy。1980 年。健康信息：补贴新闻。媒体、文化与社会 2，2（1980 年 4 月）。https://doi.org/10.1177/016344378000200201 [23] Tony Harcup 和 Deirdre O'Neill。2017 年。什么是新闻？：重新审视新闻价值观（再次）。新闻研究 18，12（2017 年 12 月），1470–1488。 https://doi.org/10.1080/1461670X.2016.1150193 [24] Ziwei Ji、Nayeon Lee、Rita Frieske、Tizheng Yu、Dan Su、Yan Xu、Etsuko Ishii、Yejin Bang、Andrea Madotto 和 Pascale Fung。 2022.自然语言生成中的幻觉调查。计算。调查（2022 年 11 月）。 https://doi.org/10.1145/3571730 [25] Bronwyn Jones、Rhianne Jones 和 Ewa Luger。 2022.人工智能“无处不在”：解决公共服务新闻中的人工智能清晰度问题。数字新闻 10, 10（2022 年 11 月），1731–1755。 https://doi.org/10.1080/21670811.2022.2145328 [26] Sayash Kapoor 和 Arvind Narayanan。2022 年。人工智能新闻业需要警惕的 18 个陷阱。https://aisnakeoil.substack.com/p/eighteen-pitfalls-to-beware-of-in [27] Percy Liang、Rishi Bommasani、Kathleen Creel 和 Rob Reich。2022 年。现在是制定发布基础模型的社区规范的时候了。https://hai.stanford.edu/news/time-now-develop-community-norms-release-foundation-models