XiaoMi-AI文件搜索系统
World File Search System真假
2024 年成年人媒体使用和态度报告
我们的追踪问题涵盖了一系列问题，从对不同类型网络平台和服务的接受和使用，到人们对各种媒体的态度、体验和信念。我们关注人们的批判性理解，因为在一个对真假越来越不确定的世界里，这种技能变得越来越重要。我们在本报告中首次询问人们对人工智能 (AI) 的理解和使用情况。我们还询问人们使用主流媒体或其他新闻来源的程度。我们描绘了人们处理个人网络世界的各种方式。我们还询问了好处和顾虑：上网的积极方面，以及人们在多大程度上遇到有问题的材料并觉得能够在网上保证自己的安全。
儿童和家长：媒体使用和态度报告
我们的追踪问题涵盖了一系列问题，从对不同类型网络平台和服务的接受和使用，到儿童对各种媒体的态度、体验和看法：换句话说，提供丰富的证据基础来了解当今儿童上网意味着什么。我们特别关注儿童的批判性理解能力，因为在一个对真假越来越不确定的世界里，这种技能变得越来越重要。我们在本报告中首次询问儿童对人工智能 (AI) 的使用情况。我们描绘了儿童处理个人网络世界的各种方式。我们询问了好处和顾虑、儿童和父母认为上网的积极方面，以及他们遇到有问题的材料和认为自己能够在网上保证安全的程度。
疫苗信息和其他因素对泰国人群接受 COVID-19 疫苗的影响
在新冠疫情期间，民众中流传的错误信息增多，可能导致民众拒绝接种疫苗。本研究评估了疫苗信息和其他因素对泰国民众疫苗接受度的影响。2021 年 3 月至 8 月期间，通过乡村卫生志愿者网络和在线渠道进行了六轮横断面调查；并对一线医务人员、慢性病患者以及宗教信徒和领袖进行了定性访谈。调查结果采用置信度为 95% 的描述性和多元逻辑回归，深入访谈结果采用演绎主题分析。在总共 193,744 名受访者中，首次接种新冠疫苗的接受率从 2021 年 3 月的 60.3% 下降到 2021 年 4 月的 44.0%，然后在 2021 年 8 月上升到 88.8%。能够区分真假陈述的参与者接受疫苗的可能性是不能区分真假陈述的参与者的 1.2 到 2.4 倍。那些认为感染风险高（调整后的优势比；AOR = 2.6–4.7）、认为疫苗安全（AOR = 1.4–2.4）、判断接种疫苗的重要性（AOR = 2.3–5.1）和信任疫苗制造商（AOR = 1.9–3.2）的人也更有可能接受疫苗。此外，高等教育（AOR = 1.6–4.1）和居住在疫情爆发地区（AOR = 1.4–3.0）与疫苗接种显著相关，但患有慢性疾病的人除外，他们往往不接受疫苗（AOR = 0.7–0.9）。本研究建议进行有效的信息流行病管理和全面的公共传播，优先考虑弱势群体，例如受教育程度低的人和患有慢性病的人。通过可靠渠道进行沟通可以支持更高的疫苗接受度和快速推出疫苗。最后，定期监测错误信息非常重要，例如事实核查支持、及时的法律行动和具体的揭穿沟通。
Deepfake Forensics，一种基于深度人工智能合成的检测方法
通讯作者：龚大峰（289133894@qq.com）。摘要 近年来，人工智能、深度学习和生成对抗网络（GAN）在深度伪造检测和取证方面的应用已成为一个新兴的研究领域。GAN自提出以来就得到了广泛的研究，并产生了许多应用来生成视频和图像等内容。这些新技术在许多领域的应用使得区分真假内容变得越来越困难。本研究分析了百余篇已发表的与GAN技术在各个领域应用生成数字多媒体数据相关的论文，阐述了可用于识别深度伪造的技术、深度伪造技术的好处和威胁以及如何打击深度伪造。研究结果表明，尽管深度伪造对我们的社会、政治和商业构成了重大威胁，但列出了多种手段来限制不道德和非法深度伪造的产生。最后，该研究还提出了其局限性以及未来可能的研究方向和建议。关键词：人工智能、深度学习、Deepfake、取证、GANs
弥合分歧：后疫情时代如何化解信任与两极分化的生物伦理学见解
新冠疫情已经过去，世界大多数国家都继续前进，不愿重温那三年的黑暗时期，那段时期造成近 700 万人死亡。尽管新冠疫情不是死亡人数最多的一次，但它在许多方面都是史无前例的 (1)。全球化的旅行和通讯迅速将一个局部突变变成了一场世界性瘟疫。与此同时，全球迅速找到了限制传染和减轻病毒破坏性影响的方法，通过检测、隔离、疫苗接种和药物治疗。全球通讯的进步使世界在数年内能够在最低限度的人际接触下运转，但与此同时，信息疫情现象也愈演愈烈，病毒性质的真假被政治化和权衡 (2)。关于病毒的起源、严重程度、死亡率、传播方式、口罩和其他防护措施的有效性、行动限制、封锁、保持社交距离、接触者追踪和隔离措施，仍然存在许多不确定性和持续的争论。此外，关于各种检测的准确性以及治疗、接种和替代医学的最佳医学指导仍然存在疑问。虽然世界已经向前发展，COVID-19 不再占据全球头条新闻，但反思这一悲剧仍然很有价值
人工智能、CHATGPT 和 DEEPFAKES
1 Bibhu Dash & Pawankumar Sharma，《ChatGPT 和 Deepfake 算法是否危及网络安全行业？评论》，10(1) I NT'L J. OF E NG'G & A PPLIED S CI. 1 (2023 年 1 月 16 日)，https://www.ijeas.org/download_data/IJEAS1001001.pdf [https://perma.cc/7VPT-BUZ5]（讨论技术如何利用机器学习来操纵图像和视频，从而危及区分真假图像的能力）。 2 例如，请参阅 Robert McMillan 等人的《新的 AI Deepfakes 使 2024 年选举复杂化》，《华尔街日报》，2024 年 2 月 16 日（讨论随着 Deepfakes 的传播，AI 如何对选民投票率产生不利影响）。 3 例如，请参阅 Ashley Belanger 的《少年男孩使用人工智能制作同学的假裸照，引发警方调查》，A RS T ECHNICA (2023 年 11 月 2 日)，https://arstechnica.com/tech-policy/2023/11/deepfake-nudes-of-high-schoolers-spark-police-probe-in-nj/ [https://perma.cc/PM46-YPPM]（最后访问时间为 2024 年 2 月 18 日）（讨论少年如何使用人工智能图像生成器制作和分享女同学的假裸照）。
集中与分裂：矿物自然种类的分类
将相似的对象归入同一类别，而将不同的对象分为不同的类别。矿物学分类系统也不例外。我们将矿物物种置于其进化背景中，因此需要进行这种归类和拆分，因为我们根据形成环境和连续温度-压力-成分相空间的独特组合对“矿物自然种类”进行分类。因此，只有当两种矿物符合以下条件时，我们才会将它们归类为一个自然种类：(1) 是连续固溶体的一部分；(2) 是同结构或同源系列的成员；(3) 由同一过程形成。根据这些标准进行的系统调查表明，在 5659 种 IMA 认可的矿物种类中，有 2310 种（~41%）可以与一种或多种其他矿物种类归为一类，相当于 667 种“根矿物种类”，其中 353 种矿物种类归为一类，129 种矿物种类归为三类。八大矿物组，包括钙霞石、真假辉石、角闪石、赤铁矿、方解石、辉石英和电气石，由 20 种或更多种 IMA 认可的矿物种类归为一类。根据这些归类标准，5659 种 IMA 认可的矿物种类列表对应 4016 种根矿物种类。
180409-nc3-机器里有鬼吗.pdf
第二类错误，即发射时带有虚假数据，传感器可以区分攻击和其他异常信号；冗余传感器在同一时间/日期发出虚假信息的可能性非常小。但是，如果传感器有共同的故障模式，系统可能会自我失效。这种错误更有可能发生在被错误描述为有限核攻击导致在警告下发射的情况下。冗余不是简单的解决方案：问题不是所有传感器/显示器同时出错，而是某些故障、基于真假数据的不一致图像……以及推理错误。 “当人们意识到冲突的传感器数据不是异常，而是警告系统中的常态时，这种前景就变得生动起来。当前的传感器系统不够精确，或没有经过足够紧密的交叉校准，因此不太可能都同意评估结果。” CINCNORAD 预计不同的传感器会呈现不同的，甚至非常不同的评估结果。 + 可能是真正的 N 爆炸造成了混乱，使得很难确定是有限攻击还是全面攻击，因为不一致的传感器读数甚至更不令人惊讶。教训：更好的攻击表征、更少的传感器系统中断，有助于避免两种类型的错误。增加过多的传感器冗余可能会使两种类型的错误更有可能发生。可能会增加冲突信息的几率，增加数据处理和数据处理和传输背后的通信系统的复杂性以及常见的故障模式。