XiaoMi-AI文件搜索系统
World File Search System批评者
能源（可再生能源转型和就业）法案
自由国家党提出的修正案将可再生能源作为能源系统转型的一部分，这是他们自《强有力选择》以来最明确的声明，表明他们打算将昆士兰州的能源系统私有化。他们提议将公共所有权从昆士兰州人手中夺走，并剥夺投资者的确定性。他们正试图废除一项被国际公认为世界上最全面、最有效、资金最充足的能源转型计划。自由国家党内部充斥着否认者和批评者。其成员卡纳万和利特尔普劳德今天宣布他不会支持减排计划，而他们的领导人达顿对核能完全痴迷，本周他们明确表示了对能源储存的强烈反对。他们要么不想采取任何行动，要么想要核能。这两种选择对消费者来说成本最高，对地球来说成本也最高。没有像抽水蓄能这样的深度储存，你就无法实现向清洁能源的过渡——如果你想让这种能源可靠或负担得起的话，就不可能实现。如果您没有能源计划，您就无法实现您的目标。
监管与特许学校之间的关系...
特许学校最初旨在通过提供可复制的创新模式来改善美国公共教育系统。然而，特许学校的批评者和支持者都质疑特许学校的真正创新程度，以及它们是否与其他学校或传统公立学校有显著差异。虽然人们对特许学校之间明显的一致性提出了警告，但很少有文献探讨这种一致性是如何实现的。我们检验了这样一个假设：创新可能在特许学校授权监管严格的州受到特别阻碍，这可能导致特许授权者和领导者倾向于让强大的授权者满意的学校模式，并狭隘地关注标准化考试结果。为了检验这一假设，我们为特许学校开发了一种类型学，根据课程、教学法、学习方式、主题和服务人群对它们的创新程度进行评分。我们评估这些创新分数与特许授权法规的相关性，以全国特许学校授权者协会 (NACSA) 分数衡量。总体而言，特许学校法规与创新之间存在强烈的负相关性。
IT 丰富环境下的理论借鉴
信息系统 (IS) 特定理论的作用及其对 IS 领域现状和方向的贡献仍然是一个广泛争论的话题。争论中一个响亮的不变的观点是，IS 理论的发展至关重要，但对于如何实现这一目标却没有达成共识 (Hong 等人，2014)。事实上，批评者指责 IS 习惯性地从其他/相关学科借用理论，而牺牲了本土理论建设；中层理论泛滥，而牺牲了可推广的宏大理论，并且持续对 IT 工件理论化不足 (Grover 和 Lyytinen，2015；Hassan 和 Lowry，2015；Orlikowski 和 Iacono，2001)。此外，严重依赖不以 IT 相关结构为基础的理论被认为“分散注意力”(Benbasat 和 Zmud，2003：192)。因此，强劲而活跃的研究潮流鼓励发展本土理论（Grover 和 Lyytinen，2015），这些理论不太可能是借用其他领域的理论的产物。这些理论将“超越我们从其他领域引进的理论”（Markus 和 Saunders，2007：iv）。虽然这种理论化的优点显而易见，但我们认为，在信息系统领域借用理论不会也不应该，
多代理强化学习用于混合交通中连接和自动驾驶汽车的合作车道
自主驾驶在过去二十年中引起了重大的研究兴趣，因为它提供了许多潜在的好处，包括释放驾驶员疲惫的驾驶和减轻交通拥堵等。尽管有前途的进展，但改变车道仍然是自动驾驶汽车（AV）的巨大挑战，尤其是在混合和动态的交通情况下。最近，在AVS中改变车道的决策，并表现出了令人鼓舞的结果，对增强学习（RL）进行了广泛的探索。然而，大多数研究都集中在单车设置上，并且在多个与人类驱动的车辆并存的背景下改变车道的情况已经受到了很少的关注。在本文中，我们在混合交通高速公路环境中制定了多个AV的改变道路的决策，作为一种多代理增强学习（MARL）问题，每个AV都会根据邻近的AVS和HDVS的动作做出改变车道的决策。具体来说，提出了一种新型的本地奖励设计和一个人共享方案，提出了多代理优势 - 批评者（MA2C）方法。尤其是多目标奖励功能
领导力洞察 - 英国陆军
蒙哥马利安排连队专注于部队的基本体能和军事技能，包括地面使用、信号、排战术、连战术以及与其他兵种的合作，然后再准备一系列越来越复杂的野外演习。蒙哥马利向他的军官们解释说，这个过程的关键是需要反思训练的每个阶段，并确定可以指导后续阶段的实践课程。对个人、排和连队表现的监控必须严格，反馈必须诚实。为了实现这一目标，蒙哥马利发起了“教老师”课程，旨在培养士官自己的军事技能，提高他们的领导能力，并为他们提供强大的教学技巧。空闲时间被填满，要求被设定，连队开始比以往任何时候都更加努力地工作。在一个传统的营里，以前训练不严格，有充足的自由时间，蒙哥马利的改革在任何食堂都得不到多少支持者。一些最直言不讳的批评者特别不满于没有时间确保着装和操练符合标准。当 CSM 鼓起勇气就此事挑战蒙哥马利时，他被告知，“这种事情只是浪费宝贵的时间”。
采用以人为本的方法设计人工智能
摘要 — 对人工智能的主要批评之一是其缺乏可解释性。许多批评者声称，如果不知道人工智能如何得出结果或得出给定的结论，就不可能相信其结果。当基于人工智能的系统和应用程序无法成功执行任务时，这个问题尤其令人担忧。在本期特刊社论中，我们重点关注两个主要领域，可解释的人工智能 (XAI) 和准确性，以及这两个维度对于构建可信赖的系统至关重要。我们回顾了突出的 XAI 设计主题，从而重新构建了设计和开发工作，突出了人类的重要性，从而证明了以人为本的人工智能 (HCAI) 的重要性。HCAI 方法提倡一系列深思熟虑的设计相关决策，例如与多利益相关者参与和消除学科界限有关的决策。这使得人们能够考虑和整合深度跨学科知识，正如我们在人工智能设计的社会认知方法示例中所证明的那样。然后，本社论讨论了未来的发展方向，强调了平衡评估与人工智能设计相关的机遇、风险和责任的价值。最后，我们介绍了特刊中的论文及其贡献，并指出了未来的研究努力。
威廉姆斯学院政治经济学专业
其中三门核心课程——POEC 250、POEC 401 和 POEC 402——由经济学家和政治学家共同教授。第一门课程“经济自由主义及其批评者”探讨了自亚当·斯密以来政治经济学的主要思想家，以及对现代公共政策辩论的实际影响，这些辩论的主题包括经济不平等、医疗保健、环境和政府失灵。这门课程在非专业人士中也很受欢迎。POEC 401“当代政治经济学问题”探讨了美国和其他后工业化国家如何制定公共政策，如何应对公民面临的各种风险，如何追求社会价值，并且可以用政治学和经济分析进行评估。POEC 402 是第二门高级顶点课程，要求四到五人小组参与主要项目，分析他们选择的公共政策问题。它的亮点是在春假前半段去华盛顿特区的旅行，小组成员将采访专家和政策制定者。在春季学期结束时，学生向校园正式公开展示他们的政策分析和建议。下表显示了政治经济学专业的 11 门课程如何组合：
白人至上文化——Tema Okun
完美主义者往往无法从错误中吸取教训，或者说他们很少或根本不会从错误中吸取教训 • 倾向于找出错误之处；几乎没有能力找出、指出和欣赏正确之处 • 通常是内心的感受，换句话说，完美主义者无法欣赏自己的出色工作，更多的时候只是指出自己的缺点或“失败”，专注于不足之处和错误，而不是从中吸取教训；这种人内心不断自我批评。 解药：培养一种欣赏的文化，组织花时间确保人们的工作和努力得到赞赏；建立一个学习型组织，每个人都会犯错，而这些错误提供了学习的机会；创造一个人们能够认识到错误有时会带来积极结果的环境；将人与错误区分开来；在提供反馈意见时，总是先谈做得好的事情，然后再提出批评；在提出批评时，要求人们提供如何做不同事情的具体建议；要意识到成为自己最严厉的批评者并不能真正改善工作，往往会导致团队士气低落，也不能帮助你或团队认识到从错误中吸取教训的好处
人工智能推荐的另一面
人工智能推荐基于消费者偏好自动过滤信息，引发学者们的争论。支持者认为，通过分析消费者的偏好，人工智能推荐可以让消费者更快、更低成本地选择商品。批评者认为，人工智能推荐让消费者更容易陷入信息茧房，降低了消费者接触多种商品的可能性，从而降低了消费者的决策质量。本文基于实验，探讨了人工智能推荐对消费者偏好与信息茧房关系的调节作用，并检验了信息茧房与消费者决策质量之间的关系。研究发现：人工智能推荐强化了消费者的偏好，消费者的偏好与信息茧房呈正相关，进而导致消费者决策质量下降。在人工智能时代，本文有助于揭示人工智能推荐的阴暗面，为人工智能行为的规范提供经验证据。 © 2021 中国科学出版传媒有限公司。出版服务由 Elsevier BV 代表科爱传播有限公司提供。这是一篇根据 CC BY 许可协议提供的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。
无人驾驶的自治障碍算法...
摘要 - 为了克服自动飞行中无人驾驶汽车（无人机）避免障碍物的挑战，本文提出了双重体验注意力卷积软卷积 - 批评者（DAC-SAC）算法。该算法与卷积网络集成了双重体验缓冲池，自我注意力的机制和软性批判性算法。由于缺乏成功的培训数据，双重体验缓冲池用于解决无效的无人机培训问题。为了克服处理图像数据中原始软演员 - 批评（SAC）算法的缺点，应用了卷积神经网络（CNN）来重建参与者和评论家网络，从而可以更好地提取图像特征提取和分类。此外，通过向网络添加卷积自我发项层来采用一种自我注意的机制。此修改可以根据不同输入图像特征对注意力重量进行动态调整，从而有效解决与焦点相关的挑战。进行了两个模拟实验，并且在处理未知环境时，DAC-SAC算法在已知环境中达到99.5％的成功率，成功率为84.8％。这些结果证实，即使将深度图像作为输入，提出的算法也可以避免无人机的自主障碍。