本论文研究了不同的用户界面 (UI) 设计如何影响用户对生成式人工智能 (AI) 工具的信任。我们进行了一项实验,采用绿野仙踪方法测试了三种具有不同 ChatGPT UI 变体的工具的信任级别。来自不同学科的九名志愿大学生参加了实验。我们使用问卷来评估参与者在与每种工具交互后以及与所有工具交互后的信任感知。结果表明,参与者之间的信任水平受到生成式 AI 的 UI 设计的影响,尤其是头像设计和文本字体。尽管共享相同的文本源,但大多数参与者认为 ChatGPT 与其他工具相比最值得信赖。结果还强调了对话界面在与生成式 AI 系统建立信任方面的重要性,参与者表示更喜欢促进自然和引人入胜的交互的界面。该研究强调了 UI 对信任的重大影响,旨在鼓励对生成式 AI 更加谨慎的信任。
空间交通管理和协调 (STM/C)、应急管理 (EM)、研究以及全球导航卫星系统 (GNSS) 的应用和用户。所确定和采访的部门在国家安全、经济和社会中发挥着重要作用。SWAG 制定了一套可以针对所有部门提出的通用问题和一套针对特定部门的问题。对于大多数部门,焦点小组用于收集调查信息。GNSS 部门规模庞大且种类繁多,因此信息将在 2 年或更长时间内通过在线调查和焦点小组收集。GNSS 部门调查正在进行中,结果未在随附报告中呈现。
1 简介 4 2 特性 5 3 开发环境 8 3.1 系统环境 8 3.2 开发选项 8 3.2.1 CMSIS 包 8 3.2.3 MM IoT SDK 8 3.2.4 PlatformIO + MM IoT SDK 9 4 入门 10 4.1 默认跳线配置 11 4.2 AP 设备设置 12 4.2.1 更改信道、带宽、DTIM 周期 16 4.3 软件示例 17 4.4 查看 MM6108-EKH05 演示 HTTP 服务器 18 5 软件开发 21 5.1 安装 CMSIS 包 21 5.2 构建和运行示例应用程序 24 5.2.1 UART 输出 30 5.3 更改示例应用程序 31 5.4 更改示例配置 33 5.5 在 SPI 和 SDIO 之间切换 34 5.6 更改网络堆栈38 6 硬件布局和配置 40 6.1 电源选择 40 6.2 使用外部调试器/编程器 41 6.3 更改 VFEM 电压 42 6.4 在 SDIO 和 SPI 之间切换 43 6.5 在 SMA 和 U.FL 连接器之间切换 44 6.6 断开传感器 45 7 功耗测量 46 7.1 功耗测量点 46 7.1.1 总体结构 46 7.1.2 HaLow 和 VFEM 47 7.1.3 整个系统功耗 48 7.2 功耗测量程序 49
1 简介 4 2 特性 5 3 开发环境 9 3.1 系统环境 9 3.2 开发选项 9 3.2.1 CMSIS 包 9 3.2.2 MM IoT SDK 10 3.2.3 PlatformIO + MM IoT SDK 10 4 入门 11 4.1 默认跳线配置 12 4.2 AP 设备设置 13 4.2.1 更改信道、带宽、DTIM 周期 17 4.3 软件示例 18 4.4 查看 MM6108-EKH05 演示 HTTP 服务器 19 5 软件开发 22 5.1 安装 CMSIS 包 22 5.2 构建和运行示例应用程序 25 5.2.1 UART 输出 31 5.2.1.1 Windows 31 5.2.1.2 Linux 32 5.2.1.3 Mac OS 32 5.3 更改示例应用程序33 5.4 更改示例配置 35 5.5 在 SPI 和 SDIO 之间切换 36 5.6 更改网络堆栈 43 5.7 更新 BLUENRG-M2SP 模块固件 45 6 硬件布局和配置 48 6.1 电源选择 48 6.2 使用外部调试器/编程器 49 6.3 更改 VFEM 电压 50 6.4 在 SDIO 和 SPI 之间切换 51 6.5 在 SMA 和 U.FL 连接器之间切换 52 6.6 断开传感器 53 7 功耗测量 54 7.1 功耗测量点 54
1 简介 4 2 特性 5 3 开发环境 8 3.1 系统环境 8 3.2 开发选项 8 3.2.1 CMSIS 包 8 3.2.3 MM IoT SDK 8 3.2.4 PlatformIO + MM IoT SDK 9 4 入门 10 4.1 默认跳线配置 11 4.2 AP 设备设置 12 4.2.1 更改信道、带宽、DTIM 周期 16 4.3 软件示例 17 4.4 查看 MM6108-EKH05 演示 HTTP 服务器 18 5 软件开发 21 5.1 安装 CMSIS 包 21 5.2 构建和运行示例应用程序 24 5.2.1 UART 输出 30 5.3 更改示例应用程序 31 5.4 更改示例配置 33 5.5 在 SPI 和 SDIO 之间切换 34 5.6 更改网络堆栈38 6 硬件布局和配置 40 6.1 电源选择 40 6.2 使用外部调试器/编程器 41 6.3 更改 VFEM 电压 42 6.4 在 SDIO 和 SPI 之间切换 43 6.5 在 SMA 和 U.FL 连接器之间切换 44 6.6 断开传感器 45 7 功耗测量 46 7.1 功耗测量点 46 7.1.1 总体结构 46 7.1.2 HaLow 和 VFEM 47 7.1.3 整个系统功耗 48 7.2 功耗测量程序 49
QAS:现在可以绕过串扰抑制矩阵来减少延迟 QAS:现在可以使用“信号输出”选项卡中的控件将振荡器直接输出到信号输出 1(正弦)和 2(余弦)上的信号输出上。相对节点已更改 QAS:现在可以在仪器的 Trigger Out 连接器上输出已辨别的量子位状态 QAS:可以在 LabOne UI 中编辑串扰抑制矩阵 QAS:现在可以通过 LabOne UI 中混频器的增益和相位不平衡指定去偏移参数 AWG:添加了 getQAResult 和 waitQAResultTrigger 指令以读取最后一个量子位状态辨别的结果 AWG:提高了编译速度和稳定性 AWG:波形查看器现在支持长达 10 MSa 的波形 AWG:序列器程序内存已限制为缓存内存 LabOne:macOS 支持 LabOne:图可以保存为 PNG 或 JPEG 格式 LabOne:为图、输入字段和设备连接对话框添加上下文菜单 LabOne API:使用 vectorWrite 进行波形更新,被更快、更强大的 setVector 方法取代。波形现在按照序列程序中定义的顺序排序,而不是按字母顺序排序。 LabOne API:波形更新现在使用整数格式。建议使用辅助函数 convert_awg_waveform 和 parse_awg_waveform 转换为新格式。 规格:添加了信号输出相位噪声的性能图
常规:添加了通过写入 /DEV…/SYSTEM/ PRESET/LOAD 节点将所有节点设置重置为预设值的功能。节点 /DEV…/SYSTEM/PRESET/BUSY 和 /DEV…/SYSTEM/PRESET/ERROR 允许监控预设状态。 QA 通道:添加了可切换的信号路径:RF(0.5 - 8.5 GHz)路径和 LF(DC - 800 MHz)路径。添加了用于分别在 QA 通道输入和输出的 RF 和 LF 路径之间切换的节点,即 /DEV…/QACHANNELS/n/INPUT/RFLFPATH 和 /DEV…/QACHANNELS/n/OUTPUT/RFLFPATH 。此外,节点 /DEV…/QACHANNELS/n/OUTPUT/RFLFINTERLOCK 允许启用联锁,以便输出的 RF/LF 路径设置始终配置为与输入的路径设置相匹配。 QA 通道:通过删除节点 /DEV…/QACHANNELS/n/MARKERS/m/SOURCE 的非功能性源设置(即“通道 2,序列器触发器输出”和“通道 2,读出完成”选择选项),清理了标记源选择。 QA 通道:修复了一个序列器错误,当使用多个连续的 playZero 命令并带有大量样本数(例如 131056)时,有时会跳过 playZero 命令。 QA 通道:添加了一个可选的同步检查,可确保在执行程序或内部触发器之前所有参与者都已报告其准备就绪状态。可以使用以下节点启用同步检查:/DEV…/QACHANNELS/n/SYNCHRONIZATION/ ENABLE。 QA 通道:修复了光谱延迟节点 /DEV…/QACHANNELS/n/ SPECTROSCOPY/DELAY 在设置为 4 ns 后不接受 0 ns 的错误。 SG 通道:更新了触发输入设置的默认值,以更好地反映典型用法。新的默认值如下:触发级别现在默认为 1 V(校准可能导致值与 1.0 V 略有不同),触发斜率检测现在默认为上升沿。 SG 通道:引入了 /DEV…/SGCHANNELS/n/SYNCHRONIZATION/ENABLE、/DEV…/SYSTEM/ SYNCHRONIZATION/SOURCE 和 /DEV…/SYSTEM/INTERNALTRIGGER/SYNCHRONIZATION/ENABLE 节点,以便即使在存在非确定性数据传输时间的情况下,也能在整个 QCCS 设置中保持波形播放同步。 SG 通道:弃用数字混频器重置功能。 手册:在 AWG 选项卡中添加了有关如何使用同步检查的部分。 手册:在基本波形生成教程中添加了有关如何通过使用适当的中心频率和触发释放时间设置在 LF 路径中实现相位再现性的提示。 LabOne:改进了 LabOne UI 的 SG AWG、QA 生成器和 DIO 选项卡中触发设置的标签,以更清楚地标记触发输入源如何对应于 SG 或 QA 通道的前面板输入。
摘要 光标、头像、虚拟手或工具以及其他渲染的图形对象使用户能够与 PC、游戏机或虚拟现实系统等计算机进行交互。我们从用户的角度在“用户表征”的统一概念下分析这些不同对象的作用。这些表征是虚拟对象,它们人为地延伸了用户的身体,使他们能够通过执行不断映射到其用户表征的运动动作来操纵虚拟环境。在本文中,我们确定了一组与不同用户表征相关的概念,并对用户表征的控制和主观体验背后的多感官和认知因素进行了多学科回顾。这些概念包括视觉外观、多模态反馈、主动感、输入法、近体空间、视觉视角和身体所有权。我们进一步为这些概念提出了研究议程,这可以引导人机交互社区从更广泛的视角了解用户如何通过他们的用户表征进行感知和交互。
智能电网是融合了节能和可再生能源技术的电网,其实施可能需要对现有电网进行大规模重组和重新设计 [1]。然而,考虑到智能电网的推出将带来众多环境和经济效益,这些转变是重要且必要的。智能电网最大的优势之一是它为能源供应商和消费者带来了灵活性 [2]。例如,需求响应资源可以监控能源需求并支持发电机和负载之间的相互作用,以优化对能源需求的满足,而不会使电网过载 [3]。通常,这些操作会融合可再生能源,例如光伏 (PV) 板和电池储能系统 (BESS)。电动汽车 (EV) 的出现是智能电网中的另一个因素,这带来了一个有趣的挑战 [4]。
本文研究了不同的用户界面(UI)设计如何影响用户对生成人工智能(AI)工具的信任。我们采用了OZ方法的向导来测试具有不同UI CHATGPT不同UI变化的三种工具的信任水平的实验。来自不同学科的九名志愿大学学生参加了会议。我们使用问卷来评估参与者与每个工具进行交互后以及与所有工具进行交互后对信任的看法。结果表明,参与者之间的信任水平受生成AI的UI设计的影响,尤其是Avatar设计和文本字体。尽管共享相同的文本源,但大多数参与者还是将CHATGPT评为最值得信赖的工具。结果还强调了对话界面在使用生成AI系统建立信任中的重要性,参与者表达了偏爱促进自然和引人入胜的互动的接口。该研究强调了UI对信任的重大影响,并旨在鼓励对生成AIS的更谨慎的信任。
