XiaoMi-AI文件搜索系统
World File Search System心理模型
使用机器学习的医疗紧急情况的药物推荐系统
在福祉相关的危机中，迅速而确切的医学建议对于患者的毅力和强大的治疗至关重要。本文使用人造的洞察力技术提出了一个药物思维框架，以在中心临床情况下进行动力和刷新药物选择。为提供确切的药物建议，该系统处理广泛的患者信息，例如临床编年史和持续的繁荣标记。由框架的中心确保了高精度和可信赖性，该中心由用于图片处理的最新计算，包括提取和订单。一个混乱组织用于支持该结构的显示，表明其优势在现有的心理模型中，并扩大了其紧急临床考虑的潜力。
空中交通管制员语言中的图像示意图隐喻
摘要 我们的目标是识别空中交通管制应用领域的图像图式隐喻 (ISM)，从而了解管制员的心理模型。通过在管制员的口语中标记 ISM，我们识别出表示空中交通三个视角的隐喻，即 (1) 飞机物理位置和飞行路径的地理视角，(2) 空中交通责任的隐喻实例化分布，以及 (3) 指代空中交通管理组织级别的隐喻。我们讨论了可能对设计连贯界面构成特殊挑战的目标域，因为它们映射到多个源域，有时与物理映射相竞争。我们的主要初步贡献是一份隐喻实例列表，作为未来空中交通管制环境中创新但直观易用的界面原型的基础。
以色列的疫苗犹豫多媒体，情感和学习经验
本文通过多媒体学习，介导的消息处理和情感计算来考虑情绪和学习。在多媒体学习中，情感设计包括视觉设计中的所有相关特征，因此通过视觉吸引力给出了情感和动机。有限的动机介导消息处理能力模型将情绪描述为动机认知的产物。它说明了如何创建最有可能实现其通信目的的消息。通过情感计算，自适应和多模式学习，目的是减少教学信息设计与学习者的认知和情感心理模型之间的差距。本文旨在概述情绪和学习考虑多媒体学习，动机的中介信息处理以及情感计算作为创造学习体验的三种观点。
PB89-175525 心理人机交互模型
• 确定展示心理模型形式和在模型上所使用的操作的行为。 “• 探索目标导向表征的替代观点（例如，所谓的序列/方法表征）并详细说明从它们预测的行为。• 扩展可能存在的心理表征类型，以包括那些可能不是机械的，例如代数和视觉系统。• 确定人们如何混合不同的表征来产生行为。• 探索如何获得有关系统的知识。• 确定个体差异如何影响系统的学习和性能。• 探索系统的训练序列的设计。 • 提供系统为系统设计师提供工具，帮助他们开发能够在用户中唤起“良好”表现的系统。• 扩展本研究的任务领域，以包括更复杂的软件。
整合人类的模型和机械化方法...
计算机科学的一个分支被称为“形式化方法”（FM），它专门使用数学逻辑形式对自动化系统的行为进行建模，这些逻辑可以使用机械化定理证明器和模型检查器进行非常强大的分析。有限状态机是 FM 中使用的形式化方法之一，该领域的研究人员最近开始将其方法应用于驾驶舱自动化。例如，Butler 等人 [2] 检查自动驾驶仪设计的一致行为，Leveson 等人 [11] 寻找被认为特别容易出错的构造，Rushby [15] 将自动驾驶仪描述与合理的心理模型进行比较。Leveson 和 Palmer [10] 以及 Rushby、Crow 和 Palmer [16] 展示了如何使用他们的方法预测 MD-88 自动驾驶仪 [12] 中已知的自动化意外。
在侦察打击综合体决斗期间
当军事从业者和政策制定者继续关注乌克兰战争和加沙地面战时，人们不禁惊叹于地图上又恢复了清晰的分界线。现代战场假定的流动性已经恢复到第一次世界大战式的战壕综合体和障碍带。精心设计的弹性防御，加上动态精确火力的支持，惩罚了对进攻的强烈诉求。战争（至少在乌克兰）不是进攻机动，而是演变成敌对部队侦察打击综合体的对决，这更像是消耗战，而不是决定性战斗。这可能会让军事思想家感到不舒服，他们想知道：“如何在侦察打击综合体对决造成的停滞中恢复进攻机动的自由？”本文提出了一个心理模型来做到这一点。
欢迎使用ECE-590社会认知机器人技术！
奖励功能给定代理人观察到的行为，即使没有明确的奖励信号，RL代理也可以模仿这些行为。IRL在心理模型计算理论中的相关性是推断人类意图和心理状态。RLHF将人类的反馈直接纳入学习过程，而不是纯粹是从环境奖励中学习的。rlHF是社会认知机器人技术的关键，因为代理人通过人类的偏好或矫正获得了指导，从而确保了学识渊博的政策与人类价值观和期望更加紧密地保持一致。在一起，这些方法具有潜在的桥梁，即人类直觉和机器学习之间的差距，从而导致更健壮和人类的AI系统。14。机器人技术的表示：计算机视觉对机器人技术重要吗？
我觉得我明白你的意思了，AI！可解释人工智能中的解释深度错觉
部署的人工智能系统的意外后果促使人们呼吁人工智能系统具有更多的可解释性。可解释的人工智能 (XAI) 系统通常为用户提供简化的局部解释，以用于个别预测，但让他们自己构建对模型行为的全局理解。在这项工作中，我们研究了 XAI 的非技术用户在解释附加的局部解释时是否会陷入解释深度的错觉。我们采用了一种混合方法，包括一项有 40 名参与者的主持研究和一项有 107 名众包工作者的无主持研究，使用基于 SHAP 框架的电子表格式解释界面。我们观察了非技术用户如何从局部解释中形成他们对全局人工智能模型行为的心理模型，以及他们的理解感知在检查时如何下降。
人机交互和人工智能
人工智能和机器学习现在是许多正在构建的系统的重要组成部分。CHI 从业者应该了解构建人工智能系统的可能性和潜在缺点吗？要了解基于人工智能/机器学习的系统的人性化一面，不仅需要了解系统端人工智能的工作原理，还需要了解人们如何思考、理解和使用人工智能工具和系统。本课程将介绍目前存在的人工智能组件和系统，如何设计和构建带有人工智能组件的可用系统，以及人工智能/机器学习工具的心理模型如何运作。这些模型会引导用户对人工智能系统如何运作的期望，并最终设计出避免因意外创建难以理解的人工智能工具而令最终用户失望的指南。我们还将介绍人工智能的伦理问题，包括数据收集、算法和数据公平性考虑，以及人工智能的其他风险。
![阅读理解 [pdf]](/simg/7\71c360356b21d62d10a9a6a0b2aaf50fbdedb0c1.webp)
阅读理解 [pdf]
阅读过程中阶段 此时，你的大脑已经对文本建立了心理模型并回顾了关键词，这可以让你的大脑专注于识别文本中最重要的部分。注释你正在阅读的文本也会有所帮助。请记住，注释的目的是为你提供一张地图，当你返回文本时可以参考。尽量不要过度注释——如果你突出显示或下划了太多文本，注释就会失去意义，而且它们以后也不会对你有帮助（因为你不知道将注意力集中在哪里）。重点是下划或突出显示关键词和想法以及任何表明论点正在转变的过渡词。在空白处记下你对文本的想法。在空白处写下你对文本的任何疑问，以反映你对文本的理解程度。只用一两句话记下每个主要段落的简单摘要。