XiaoMi-AI文件搜索系统
World File Search System情境
v 在工作相关情境中使用生成人工智能 (AI) 的指南针
如果使用生成式人工智能工具生成文本、图像等，则必须至少向外界披露这一事实，例如在相应文本的脚注中、在图像标题或电子邮件签名中。但是，添加披露使用人工智能的注释并不意味着创建或签署文档的人不再对内容负责。但是，如果您只是修改了现有内容而不是添加新内容，则无需披露人工智能的使用，例如拼写检查器、翻译程序、文本摘要、电子邮件文本元素或借助人工智能裁剪的照片。
基于情境学习的观点增强现实（AR）学习应用：虚拟和真实
增强现实心理学是指工程和其他技术的应用，以实现虚拟信息和真实心理世界的叠加。实际的心理环境和纯环境在同一空间关系中实时同步。增强现实学习越来越普遍用于教育心理学。增强现实学习主要基于建筑主义，情境认知，联系主义，独立学习和物理认知等。它反映在心理技能，运动技能，认知策略和教学设计的教学心理学中。作为技术手段增强现实如何与教育和教学心理学完全融合？这将成长为小学和中学教师和研究人员考虑其优势和挑战的重要方面。关键字
情境问责：应用人工智能的伦理原则、认证标准和解释方法
鉴于人工智能开发人员在确保人工智能系统、其成果和此类系统用户的责任方面发挥着重要作用，我们需要他们采取负责任、合乎道德和负责任的方法。因此，我们建议这些参与者参与旨在产生负责任的人工智能设计和使用的政策制定过程。根据我们的实证研究结果，我们提出了几项建议，以弥补当前在追求负责任的人工智能时将道德原则、认证标准和解释方法作为问责机制所发现的缺陷。我们希望这些建议能够有助于讨论如何在实践中确保问责制，同时兼顾开发人员、研究人员和公众的观点。
可编程通用光子处理器中的情境性、连贯性和维度的实验认证
高维状态的量子叠加使得加密协议中的计算速度和安全性都得以提升。然而，层析成像过程的指数复杂性使得这些属性的认证成为一项具有挑战性的任务。在这项工作中，我们使用由飞秒激光写入技术制造的六模通用光子处理器实现的成对重叠测量，通过实验认证了针对不断增加的维度的量子系统的相干性见证。特别是，我们展示了所提出的相干性和维度见证对于维度高达 5 的量子比特的有效性。我们还展示了量子询问任务中的优势，并表明它是由量子语境性推动的。我们的实验结果证明了这种方法对于可编程集成光子平台中量子属性认证的有效性。
语境的计算和神经基础......
灵活的行为要求记忆的创建、更新和表达依赖于情境。虽然这些过程的神经基础已经得到了深入研究，但计算建模的最新进展揭示了情境相关学习中一个以前被忽视的关键挑战：在自然条件下，情境通常是不确定的，因此需要情境推理。我们回顾了一种在情境不确定性和其所需的核心计算面前形式化情境相关学习的理论方法。我们展示了这种方法如何开始将大量不同的实验观察结果组织成一个连贯的框架，这些观察结果来自大脑组织的多个层次（包括回路、系统和行为）和多个大脑区域（最突出的是前额叶皮层、海马体和运动皮层）。我们认为情境推理也可能是理解大脑持续学习的关键。这种理论驱动的观点将情境推理视为学习的核心组成部分。
社会技术领域建模 - William J. Clancey
领域模型可以在辅导环境中融入丰富而真实的情境。可以对领域进行建模，以提供具有“真实世界”外观和感觉的环境，并通过一系列行为创建动态学习情境。“情境”的构造通常被视为客观的或完全物理的事物。建筑起重机模拟器的领域模型可以定义起重机的属性和行为，包括其起重能力和吊臂长度，并将定义作用于起重机的世界中的对象，反之亦然。然而，人类行为的情境也是概念性的和主观的。概念情境是关系性的，受感知影响，因此通常是动态的。领域模型应该捕捉在监控、移动和操纵世界的交互过程中，情境是如何在概念上构建的。
人类大脑在自然体验的事件边界重新激活特定情境的过去信息
摘要 尽管我们以连续的方式感知世界，但我们的体验被分割成离散事件。然而，为了理解这些事件，必须将它们拼接成一个总体叙述——一个展开事件的模型。有人提出，当啮齿动物建立空间环境模型时，这种拼接过程发生在离线神经再激活中。在这里，我们表明，在理解自然叙事的同时，人类会重新激活过去事件的神经表征。与离线重放类似，这些重新激活发生在海马体和默认模式网络中，其中重新激活对相关的过去事件有选择性。然而，这些重新激活不是在长时间的离线期间发生的，而是在正在进行的叙述事件之间的边界上发生的。这些结果在两个数据集中重复出现，表明重新激活是将时间上相距遥远的信息绑定到对正在进行的体验的连贯理解中的候选机制。
急性住院康复中针对患有后天性脑损伤的患者的多情境方法的可行性和可接受性
此预印本的版权所有者于 2020 年 5 月 15 日发布此版本。；https://doi.org/10.1101/2020.05.10.20064261 doi: medRxiv preprint
基于大脑活动、注视和情境的移动文本输入自我修复自动更正研究平台
摘要 自动更正是移动文本输入的标准功能。虽然最先进的自动更正方法的性能通常相对较高，但发生的任何错误都很麻烦，会中断文本输入流程，并挑战用户对过程的自主性。在本文中，我们描述了一个旨在自动识别和修复自动更正错误的系统。该系统包括一个多模态分类器，用于根据大脑活动、眼神注视和上下文信息检测自动更正错误，以及一种通过替换错误更正或建议替代方案来修复此类错误的策略。我们将这两个部分集成到一个通用的 Android 组件中，从而提出了一个研究自我修复端到端系统的研究平台。为了证明其可行性，我们进行了一项用户研究来评估我们方法的分类性能和可用性。
利用野外视频对情境化世界模型进行预训练，以进行强化学习
利用大型和多样化数据集的无监督预训练方法已在多个领域取得了巨大成功。近期研究已针对基于模型的强化学习 (MBRL) 研究了此类无监督预训练方法，但仅限于特定领域或模拟数据。本文中，我们研究了使用丰富的自然视频预训练世界模型的问题，以便高效学习下游视觉控制任务。然而，自然视频具有各种复杂的情境因素，例如错综复杂的背景和纹理外观，这妨碍了世界模型提取共享的世界知识以更好地概括。为了解决这个问题，我们引入了情境化世界模型 (ContextWM)，它明确地分离情境和动态建模，以克服自然视频的复杂性和多样性，并促进不同场景之间的知识转移。具体来说，我们精心实现了潜在动力学模型的上下文化扩展，通过引入上下文编码器来保留上下文信息并赋能图像解码器，从而促使潜在动力学模型专注于关键的时间变化。我们的实验表明，搭载 ContextWM 的野外视频预训练可以显著提升 MBRL 在机器人操控、运动和自动驾驶等多个领域的采样效率。代码可从以下代码库获取：https://github.com/thuml/ContextWM。