XiaoMi-AI文件搜索系统
World File Search System心理模型
在哥伦比亚卡奎塔（Caquetá）气候与生产系统之间关系的感知中，心理模型。
根据收集的证据，可可和牲畜系统的生产者都认为与气候相关的不确定性增加，这显着影响其生产系统。在解决和/或减轻气候变化引起的问题的策略方面，生产商确定了各种行动，包括灌溉系统，地块的恢复或康复，覆盖的花园和温室，农作物多样化，种子储备，森林保护，有机作物，太阳能作物，太阳能面板，遗传改善，遗传旋转和livestation and Livestack and Livestock and Livestocks。此外，生产商不仅可以减轻气候变化，而且还可以改善动物福利（例如，提供阴影和增强的营养），强调了Silvopastoral Systems的关键作用。这些行动可能会导致气候变化缓解和适应。
评估高级驾驶员辅助系统和自动驾驶汽车功能的培训方法：对用户心理模型和性能的影响
摘要：了解高级驾驶员辅助系统（ADA）和自动驾驶汽车（AV）技术的复杂性对于道路安全至关重要，尤其是关于驾驶员采用的问题。有效的培训是确保这些技术的安全和合格运行的关键因素。这项研究强调了训练方法在塑造驱动因素的心理模型中的关键作用，该方法定义为个人的认知框架，以理解和与ADAS和AV系统进行互动。他们的心理模型极大地影响了他们与这些技术的互动。已经对基于文本和基于视频的培训方法进行了比较分析，以评估他们对参与者的表现的影响以及其ADA和ADA和航空功能的心理模型的发展。性能是根据参与者在驱动模拟中与ADA和AV函数相互作用的准确性和反应时间的评估。调查结果表明，基于视频的培训产生了更好的表现成果，更准确的心理模型以及对参与者中ADAS功能的更深入的了解。这些发现对于政策制定者，汽车制造商和参与驾驶员培训的教育机构至关重要。他们强调了制定量身定制的培训计划的必要性，以促进日益复杂的汽车技术的熟练和安全运行。
迈向真正的机器人队友：提高人机团队的绩效超越共同的心理模型
摘要人类机器人组合中的最新工作表明，当机器人构建和维护“共同的心理模型”时，与没有共享心理模型的基线相比，整个人类机器人团队的有效性总体上更好。在这项工作中，我们通过引入积极行为来扩展这种见解，除了共同的心理模型，以研究团队穿越和任务效率的潜在进一步改善。我们开发了一组主动的机器人行为，我们在实验上与基线“反应性”行为进行了比较，假设，与共同的心理模型相结合，具有这些更为主动行为的机器人将成为更有效的队友。人类受试者评估的结果表明，主动的机器人行为提高了任务效率和性能，而不是仅仅反应性行为，并客观地降低了人类工作量，这是通过受试者的学生规模变化来衡量的。
在人机团队中的心理模型一致性的可解释指导和理由
更不用说性能提高了，人类和机器人队友必须通过共同的心理模型同步计划[19]。为了实现这一目标，需要有效的代理之间的有效沟通。一种我们利用的一种技术是增强现实（AR）可视化的技术，该技术已经在多个机器人域中进行了辩护[4，16，21]，包括我们自己自己自己表明AR能够促进台式台式操作环境中平稳的人类机器人协调能力的作品[12]和共享仓库[12]和仓库[5]。AR具有将数据直接投射到环境上的独特能力。此原位可视化为人类和机器人提供了共享的环境环境，从而实现了紧凑的视觉通信，而无需上下文切换到单独的屏幕[8，10]。我们还从可解释的AI中汲取灵感，这不仅是为了提高对不透明学习模式的理解[1，9]，而且还促进了团队流利性并提高人类机器人任务中的共同认识[2，3，18]。在我们的工作中，我们使用算法支持的AR可视化和自然语言措施，作为将人类整合到多机构增强学习（RL）计划中所需的沟通桥梁，通过利用每个代理商的独特技能来解决多代理强化学习（RL）。本摘要描述了解决两个研究问题的工作：Q1。在不确定性下执行任务以提高团队绩效时，机器人应该如何与人类交流？和Q2。机器人如何向人类队友证明他们的决策和指导是为了提高信任和合规性的合理性？
关于形成心理模型的复杂性
Chad Kendall: chadkend@marshall.usc.edu Ryan Oprea: roprea@gmail.com We thank Guillaume Frechette, Cary Frydman, Thomas Graeber, Ariel Rubinstein, Andrew Schotter, Emanuel Vespa, Georg Weizsacker, and Sevgi Yuksel for valuable conversations about this research.我们感谢纽约大学，伯克利·哈斯（Berkeley Haas），耶鲁大学，斯坦福大学，斯坦福大学，萨里，皇后区，柏林行为经济学研讨会，德克萨斯理工大学，第六届世界游戏理论协会的第六届世界大会，在揭露的偏好（WARP）和USC上的研讨会和USC。这项研究得到了国家科学基金会的支持，该基金会在Grant SES-1949366的支持下得到了UC Santa Barbara IRB的批准。1我们指的是“心理模型”（而不是“模型”），以强调他们不需要正式，明确甚至有意识地向决策者（DMS）提供，以指导选择。
对用户心理模型和性能的影响
1 Université Paris-Saclay, UVSQ, Inserm, Gustave Roussy, Team “ Exposome, Heredity, Cancer and Health ” , CESP, Villejuif, France 2 Laboratoire de Mathématiques et de leurs Applications de Pau, E2S UPPA, CNRS, Pau, France 3 Statistical Genetics, QIMR Berghofer Medical Research Institute, Brisbane, Australia 4澳大利亚布里斯班昆士兰州技术大学卫生学院5流行病学与生物统计学科，利兹癌和病理学研究所，癌症与病理学研究所，利兹大学，利兹大学，英国利兹大学6转化基因组学实验室，癌症研究所，玛丽研究，贝尔兰德大学，美国国家癌症研究所，癌症研究所及遗传学，美国德克萨斯州休斯敦市Medecine学院8国际癌症研究机构，法国里昂9 Lunenfeld-Tanenbuaum研究所，西奈卫生系统，多伦多，安大略省，加拿大安大略省10达拉拉·拉娜公共卫生学院，多伦多，多伦多，多伦多，多伦多，多伦多
可解释人工智能的衡量标准：解释优劣、用户满意度、心理模型、好奇心、信任和人机性能
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
引用：Seo, Sangwon, Kennedy-Metz, Lauren R, Zenati, Marco A, Shah, Julie A, Dias, Roger D 等人。2021 年。“面向 AI 教练推断医疗保健中的团队心理模型一致性。”2021 年 IEEE 情境管理认知和计算方面会议 (CogSIMA)，2021 年。
摘要 — 共享的心理模型对于团队成功至关重要；然而，在实践中，由于各种因素，团队成员的模型可能不一致。在安全关键领域（例如航空、医疗保健），缺乏共享的心理模型可能导致可预防的错误和伤害。为了减轻此类可预防的错误，我们在此提出了一种贝叶斯方法来推断团队成员在执行复杂医疗任务过程中心理模型的不一致。作为一个示例应用，我们使用两个模拟的基于团队的场景来演示我们的方法，这些场景源自心脏手术中的实际团队合作。在这些模拟实验中，我们的方法推断出模型不一致，召回率超过 75%，从而为计算机辅助干预增强手术室中的人类认知并改善团队合作提供了基础。
基于人工智能和心理模型的体育经济的健康和可持续发展
近年来，体育运动已在全球范围内取得了快速发展，全球经济得到了显着改善和改善。随着两者的深入发展，体育与经济之间的联系也变得越来越紧密。体育经济是一种新型的经济形式，由体育组织的专业化，参与消费化以及在市场经济条件下以利润为导向的运营构成。不能一次发展体育经济的发展；它需要健康和可持续的发展。为了找到一种更好的方法来研究体育经济的健康和可持续发展，本文使用深度学习网络算法并支持向量机器学习算法来构建心理模型。然后，它使用该模型来分析中国一个省体育行业的各种指标。本文正在寻找信息，并总结了2017年至2021年的全省体育数据。该实验的体育指标包括区域GDP，体育产业的总产出，体育从业人员，当地的金融体育支出，政策数量，参加体育锻炼的人数以及健身场所和设施。实现结果表明，这些变量在正常条件下以相对较小的速率发展，然后在未来几年通过心理模型的健康和可持续发展的情况下预测数据。体育经济的各种指标的增长率已大大增加，与正常发展相比，它们的优化约为20％。
定义可解释人工智能的心理模型方法
摘要背景：人们普遍担心在医疗保健等敏感环境中使用黑盒建模方法。尽管性能有所提升且备受炒作，但这些问题阻碍了人工智能 (AI) 的普及。人们认为可解释的人工智能有助于缓解这些担忧。但是，现有的可解释定义并未为这项工作奠定坚实的基础。方法：我们批评了最近关于以下文献的评论：团队中人工智能的代理；心理模型，尤其是它们应用于医疗保健时，以及它们引出的实际方面；以及现有和当前的可解释性定义，尤其是从人工智能研究人员的角度来看。在此文献的基础上，我们创建了可解释的新定义和支持术语，提供了可以客观评估的定义。最后，我们将可解释的新定义应用于三个现有模型，展示了它如何应用于先前的研究，并为基于此定义的未来研究提供指导。结果：现有的解释定义以全球适用性为前提，并未解决“谁可以理解？”的问题。如果将人工智能视为团队成员，那么引出心理模型可以比作创建可解释的人工智能。在此基础上，我们根据模型的背景来定义可解释性，包括模型和解释的目的、受众和语言。作为示例，此定义应用于手术室团队中的回归模型、神经网络和人类心理模型。结论：现有的解释定义在确保解决实际应用问题方面存在局限性。根据应用背景来定义可解释性会迫使评估与模型的实际目标保持一致。此外，它将允许研究人员明确区分针对技术受众和普通受众的解释，从而允许对每种解释应用不同的评估。关键词：可解释性、xAI、黑盒模型、心理模型