XiaoMi-AI文件搜索系统
World File Search System智能工具
使用人工智能工具增强用户体验设计工作流程
本论文探讨了人工智能 (AI) 与用户体验 (UX) 设计的交集，旨在利用 AI 功能增强整体用户体验设计流程。研究包括用户访谈、数据收集和使用 AI 工具来提高效率。与一家公司的合作提供了有见地的信息，并将研究引向了调查 AI 在 UX 设计中的能力。该研究阐明了 AI 设计工具的优势、它们对 UX 设计过程的影响以及进一步发展的可能性。最后介绍了 AIUX 应用程序概念，它为 UX 设计提供了一种简化和协作的方法。结果强调了平衡方法的重要性，其中 AI 增强而不是取代人类的创造力和发明。随着 AI 技术快速发展并越来越多地被纳入设计工具中，本论文为进一步研究提供了一个起点。
用于医疗保健文档和其他非临床工作的人工智能工具
医疗保健组织指出，他们正在构建治理结构，以确保对其部署的 AI 工具进行充分监督。一些组织正在现有结构的基础上增加 AI 专门委员会。其他组织正在创建专门团队。步骤包括创建风险评估工具和针对 AI 解决方案部署的指导。所有受访者都同意，作为治理方法的一部分，需要多功能团队和领导参与。悬而未决的问题包括良好的风险管理方法是什么样的，以及如何最好地让供应商对安全和合乎道德的解决方案负责，同时承担对其使用进行适当监督的责任。图表中的数据仍需验证，订单必须签署。
探索智能工具对软件工程人体方面的潜在影响
背景。基于人工智能（AI）支持软件开发的工具的出现表明，对开发人员如何计划和互动的方式进行了大修。这种解散可能会给软件开发过程的人类和社会方面带来挑战。目标。本文是对基于AI的工具对软件开发团队及其成员的后果的第一次探索。方法。我们进行了社会科幻练习，这是一种思想实验，介绍了两个关于采用基于AI的工具的未来派软件公司的虚构故事。然后，我们通过具有38个学生的定性实验评估了场景之一的合理性，以观察他们对使用基于AI的工具的看法。结果。这些故事提出了与采用这些工具有关的潜在挑战：开发人员如何看待自己，定量和定性工人贡献评估之间的冲突，以及对未来开发人员的培训，以处理其职业的迫在眉睫的变化。在定性实验中，我们收集了支持负面情绪的证据，例如缺乏信任和控制以及被替换的恐惧。我们还确定了开发人员的其他态度和看法，例如对基于AI的工具的积极感觉。结论。我们确定了可能影响基于AI的工具的几个方面及其对参与个人的影响。应该进一步研究它们，并代表有关软件工程人类方面的研究的挑战。我们还证明了使用社会科幻小说来探索新的研究问题。
Exait：可解释的个性化学习的可解释的人工智能工具
为了恢复Duchenne肌肉营养不良（DMD）的各种突变模式中的肌营养不良蛋白，已经研究了多外观跳过（MES）方法。但是，只有有限的技术可以诱导大量缺失，以覆盖几百千倍酶的目标外显子。在这里，我们利用CRISPR-CAS3系统进行了MES诱导，并表明双重CRRNA可以在肌营养不良蛋白外显子45-55个区域（340 KB）诱导大量缺失，可以应用于各种类型的DMD患者。我们开发了一种基于SSA的两种基于SSA的记者系统，用于富含基因组编辑的细胞群，并证明MES诱导恢复了具有三个不同突变的DMD-IPSC中的肌营养不良蛋白蛋白。全基因组测序和距离分析在推定的CRRNA结合位点附近未检测到未明显的脱靶删除。总的来说，双CRISPR-CAS3是通过MES诱导诱导巨大基因组缺失并恢复肌营养不良蛋白蛋白的有前途的工具。
“比我的教授更好？”如何为高等教育开发人工智能工具
目前，许多领域都在设计和测试人工智能 (AI) 工具，以提高人类的决策能力。高等教育就是其中之一。例如，基于 AI 的聊天机器人（“对话式教学代理”）可以与学生进行对话，以便在学习过程中及时提供反馈和问题答案，并收集数据以个性化课程材料的传递。然而，许多现有的工具能够以更及时的方式执行人类专业人员（教育工作者、导师、教授）可以执行的任务。在讨论在我们大学的教育计划中实施基于 AI 的工具的可能性时，我们回顾了当前的文献，并确定了未来 AI 解决方案可能具备的一些功能，以改进高等教育过程，重点是远程高等教育。具体而言，我们认为创新工具可以影响学生学习的方法；促进课程材料以外的联系和信息获取；支持与教授的沟通；并借鉴动机理论，以个性化的方式促进学习参与。未来的研究应该探索人工智能为高等教育带来的高水平机遇，包括它们对学习成果和整个学习体验质量的影响。
将生成式人工智能工具集成到扩展程序中
GenAI 工具有免费版和付费版。免费版提供基本使用功能，例如每天生成一定数量的输出、编写基于文本的提示、上传文档几次以及根据上传的文档提出问题或生成见解。用户只需支付专业版费用，专业版包含所有基本功能以及多次上传文档、编写和生成无限数量的提示和输出以及访问高级工具功能的选项。
不可知可解释的人工智能工具 - TUE 研究门户
与模型无关的可解释人工智能工具通过“局部”特征贡献来解释其预测。我们通过实证研究了两种优于当前方法的潜在改进。第一种方法是始终以用户认为对结果有积极贡献的形式来呈现特征贡献（“积极框架”）。第二种方法是添加“语义标签”，解释每个特征贡献的方向性（“该特征可使合格率提高 5％”），从而减少额外的认知处理步骤。在一项用户研究中，参与者评估了针对贷款申请和音乐推荐的不同框架和标签条件的解释的可理解性。我们发现，即使预测为负面，积极框架也能提高可理解性。此外，添加语义标签可以消除任何框架对可理解性的影响，积极标签的表现优于消极标签。我们在 ArgueView[11] 包中实现了我们的建议。
IArch：深入挖掘考古数据的人工智能工具
摘要 — 人工智能 (AI)，尤其是机器学习 (ML)，在考古学中的应用正在蓬勃发展，开辟了文物分类、遗址位置预测和遗迹分析等新的可能性。这方面的主要挑战之一是缺乏精通机器学习的合格考古学家。在本研究中，我们介绍了 IArch，这是一种无需特定编程技能即可让考古学家进行可解释人工智能 (XAI) 数据分析的工具。它特别允许执行数据分析以验证现有的数据支持假设或生成新假设。该工具涵盖了应用 ML 的整个工作流程，从数据处理到解释最终结果。该工具允许使用监督和无监督 ML 算法，以及 SHapley Additive exPlanations (SHAP) 技术为考古学家提供对预测的整体和个体解释。我们通过蒙古草原上的匈奴墓地（公元前 100 年 / 公元 100 年）的数据证明了它的应用。
探索人工智能工具在教育测量和评估中的潜力
摘要 人工智能 (AI) 正在改变各行各业，教育也不例外。人工智能技术的快速发展已成为教育工作者和教育评估专业人员增强教学和学习体验的必要条件。基于人工智能的教育评估工具提供了许多好处，包括提高评估的准确性和效率、为学生提供个性化反馈，以及使教师能够调整教学策略以满足每个学生的独特需求。因此，人工智能有可能彻底改变教育的传授和评估方式，最终为学生带来更好的教育成果。本文探讨了人工智能工具在教育测量和评估中的各种应用。具体而言，它讨论了大型语言人工智能模型在课堂评估中的集成，具体领域包括测试目的确定和规范、开发、测试蓝图、测试项目生成/开发、准备测试说明、项目组装/选择、测试管理、测试评分、测试结果解释、测试分析/评估和报告。它分析了教师在基于人工智能的评估中的作用以及在教育评估中使用人工智能工具的挑战。最后，本文提出了应对这些挑战和提高人工智能在教育评估中有效性的策略。总之，在教育评估中使用人工智能有好处也有局限性。因此，教育工作者、政策制定者和利益相关者必须共同制定策略，最大限度地发挥人工智能在教育评估中的优势，同时降低相关风险。人工智能在教育评估中的应用最终可以改变教育，改善学习成果，并为学生提供在 21 世纪取得成功所需的技能。
模糊的界限：通过辅助技术重新思考人工智能工具
我想借此机会承认南艾伯塔省第 7 号条约地区人民的传统领土，其中包括黑脚邦联（由 Siksika、Piikani 和 Kainai 原住民组成）、Tsuut'ina 原住民和 Stoney Nakoda（包括 Chiniki、Bearspaw 和 Goodstoney 原住民）。卡尔加里市也是艾伯塔省梅蒂斯民族（第 3 区）的所在地。