XiaoMi-AI文件搜索系统
World File Search System用户级
移动应用中人工智能技术的实证研究
人工智能 (AI) 与移动应用的融合极大地改变了各个领域，通过先进的机器学习 (ML) 和深度学习 (DL) 技术增强了用户体验并提供个性化服务。人工智能驱动的移动应用通常指利用 ML/DL 技术执行图像识别和自然语言处理等关键任务的应用。尽管现有研究探索了移动应用如何利用人工智能技术，但它们存在以下主要局限性：1）大多数现有研究集中于基于 DL 的应用，对基于 ML 的应用的研究有限。2）现有研究通常侧重于研究应用及其所使用的技术，缺乏用户级分析。3）研究的应用数量有限，经过筛选仅确定了 1,000 到 2,000 个 ML/DL 应用。为了填补这一空白，在本文中，我们对人工智能应用进行了最广泛的实证研究，探索了设备上的 ML 应用、设备上的 DL 应用和人工智能服务支持的（基于云的）应用。我们的研究涵盖了56,682个现实世界的AI应用，重点关注三个关键视角：1）应用分析，分析AI应用的受欢迎程度并调查AI应用的更新状态；2）框架和模型分析，分析AI框架的使用情况和AI模型保护；3）用户分析，研究用户隐私保护和用户评论态度。我们的研究对AI应用开发者、用户和AI研发具有重要的意义。一方面，我们的研究结果强调了AI融入移动应用的增长趋势，展示了各种AI框架和模型的广泛采用。另一方面，我们的研究强调了需要强大的模型保护来增强应用安全性。此外，我们的研究强调了用户隐私的重要性，并展示了用户对当前AI应用中使用的AI技术的态度。我们提供我们的AI应用数据集（目前最广泛的AI应用数据集）作为开源资源，供未来研究移动应用中使用的AI技术。
神经技术和系统神经工程学中的巨大挑战
神经经济学的研究领域旨在“了解野外的大脑，其在日常生活中不受限制的现实世界中的活动及其与行动，行为，身体和环境的关系”（Dehais等人，2020年）。这个领域具有巨大的潜力，可以在许多领域（例如教育，制造，娱乐，健康，交通运输）开发创新应用。为了实现这一潜力，许多神经经济学的研究应用都依赖或需要神经技术。神经技术是一种技术类别，其中系统设计结合了神经原理或直接与大脑和身体信号接口。最流行的神经技术类型特别包括脑部计算机界面（BCI）（Clerc等，2016a，b; Nam等，2018）和生理计算（Fairclough，2009; Fairclough; Fairclough and Gilleade，2014）。为了在实践中使用，还必须在整个系统级别上研究和集成神经经济学。换句话说，我们需要开发系统神经经济学的概念，这是工程，神经科学和人为因素的跨学科领域，这将神经经济学的方法整合到复杂系统的设计，开发和管理（例如，地球，信息，信息系统，视频系统或医疗刀具）中。在这种情况下的系统是指机器，机器人，计算机和人类用户的任何组合。但是，这个目标与技术如何在日常生活中融入工作和休闲的现实相去甚远。这是机器级别的挑战。本期刊，神经经济学领域的前沿，部分神经技术和系统神经工程学，旨在在这些原理，协议和应用中发表显着进步，这些进步是基于神经技术发展中神经工学的发展的发展，以创建人类计算机界面的新形式，以增强人体计算机界面。的确，对于实验室研究的演示器系统级别，绝大多数用于神经工学的神经技术仍然存在，并且在这些实验室之外很少使用。如果通过定义的神经经济学旨在研究在野外使用的行为和技术，那么对于神经技术而言，也很重要的是，也要从实验室和现实世界中进行这种发展的飞跃。此外，我们必须建立系统理解神经技术如何嵌入个人，团队和组织的工作中。为了了解神经技术如何从当前作为实验室示威者的地位演变为日常工作和休闲中的用法案例，我们提出了三个宏伟的挑战：（1）设计具有强大可靠的神经技术，甚至在所有用法环境中都具有很高的精度。（2）设计用户使用神经技术的体验，以确保这些技术可用，可接受且对其用户有用。这是用户级别的挑战。（3）开发神经经济学中的系统思维，将神经经济学整合，研究和优化为
欺诈检测中的人工智能和算法决策
例如人工智能 (AI)、大数据分析、机器学习和区块链对管理和组织系统和实践的影响 (Tan and Taeihagh, 2021 ; Dickinson et al., 2021 ; Leiman, 2021 ; Radu, 2021 ; Taeihagh, 2021 ; Ulnicane et al., 2021 )。这些技术正在彻底改变现有的行政系统和实践，使其成为人与机器之间新型的互动，有时被称为算法官僚主义 (Vogl et al., 2020 ; Tan and Crompvoets, 2022 )。然而，由于组织内部和外部感知到的技术、系统、行政和监管障碍导致各种价值观保留，公共部门组织采用新的数字技术面临挑战（Tan 等人，2022 年；Bullock 等人，2020 年；Vogl 等人，2020 年；Tangi 等人，2021 年，Sun 和 Medaglia，2019 年）。公共管理研究已开始调查与系统应用人工智能和算法决策相关的挑战（Exmeyer 和 Hall，2022 年；Neumann 等人，2022 年）、问责机制（Busuioc，2021 年）、公民信任和决策的可解释性（Grimmelikhuijsen，2022 年）、组织重组（Meijer 等人，2021 年）、行政自由裁量权和实施意愿（Alshallaqi，2022 年；Wang 等人，2022 年）、道德原则和公民隐私（Willems 等人，2022 年）、能力差距和知识管理（Wilson 和 Broomfield，2022 年）。然而，这些新兴文献提供了如何在公共政策过程中整合人工智能和算法决策的零散图景。两种理论模型评估公共政策过程中的技术采用：行为模型通过分析用户对技术的感知和用户级特征的中介影响来解释技术采用过程，结构模型通过组织和机构因素与用户行为的相互作用来解释技术采用过程。这两种模型都侧重于用户的感知，但并没有提供整体视角来解释不同机构、组织、技术和个人层面驱动因素之间的感知关系及其对系统应用的影响（Dawes，2009；Engvall 和 Flak，2022）。这使得为公共政策过程中的人工智能和算法决策制定可行的数字化转型战略变得复杂。我们的具体研究问题是：本文旨在通过开发一个整体模型 1 来解决文献中的这一空白，该模型可以解释影响人工智能和算法工具在公共政策过程中整合的感知驱动因素之间的相互关系。具体来说，本研究重点关注税收和社会保障领域的欺诈检测案例，这些领域是使用机器学习和人工智能驱动的高级分析技术的主要政策领域。虽然这些技术有可能改进欺诈检测流程，但采购障碍、培训不足的工人、数据限制、缺乏技术标准、组织变革的文化障碍以及遵守负责任的人工智能原则的需要阻碍了它们的广泛采用 (West, 2021 )。