XiaoMi-AI文件搜索系统
World File Search System网址
推荐引用推荐引用 Milne-Ives, M., de, C., Lim, E., Shehadeh, M., de, P., Mole, G., 和 Meinert, E. (2020)《人工智能对话代理在医疗保健中的有效性：系统评价》，医学互联网研究杂志，22(10)。可在以下网址获取：https://doi.org/10.2196/20346 本文由 PEARL 健康学院免费提供给您并开放获取。它已被 PEARL 的授权管理员接受纳入护理和助产学院。有关更多信息，请联系 openresearch@plymouth.ac.uk。
背景：对医疗服务的高需求和人工智能不断增强的能力导致了对话代理的发展，旨在支持各种与健康相关的活动 - 包括行为改变、治疗支持、健康监测、培训、分类和筛查支持。这些任务的自动化可以让临床医生专注于更复杂的工作，并增加公众获得医疗服务的可及性。需要对这些代理在医疗保健领域的可接受性、可用性和有效性进行总体评估，以收集证据，以便未来的发展可以针对需要改进的领域和可持续采用的潜力。目的：本系统评价旨在评估对话代理在医疗保健领域的有效性和可用性，并确定用户喜欢和不喜欢的元素，为这些代理的未来研究和开发提供信息。方法：系统地搜索了 PubMed、Medline（Ovid）、EMBASE、CINAHL、Web of Science 和 ACM 数字图书馆，查找自 2008 年以来发表的评估医疗保健中使用的不受约束的自然语言处理对话代理的文章。使用 Endnote（X9 版；Clarivate Analytics）参考文献管理软件进行初步筛选，然后由一名审阅者进行全文筛选。提取数据并由一名审阅者评估偏倚风险，由另一名审阅者验证。结果：共选定了 31 项研究，包括各种对话代理——14 个聊天机器人（其中两个是语音聊天机器人）、6 个具体对话代理、3 个交互式语音应答电话、3 个虚拟患者和 3 个语音识别筛选系统，以及一个上下文问答代理和一个语音识别分类系统。总体而言，报告的证据大多是正面的或混合的。可用性和满意度表现良好（27/30 和 26/31），四分之三的研究（23/30）发现了积极或混合的有效性，但在具体的定性反馈中强调了代理的几个局限性。结论：研究通常报告了对所研究的对话代理的有效性、可用性和满意度的积极或混合证据，但定性用户感知更加复杂。许多研究的质量有限，需要改进研究设计和报告，以更准确地评估这些药物在医疗保健中的实用性并确定需要改进的关键领域。进一步的研究还应分析这些药物的成本效益、隐私和安全性。
推荐引用 推荐引用 Duell, J., Fan, X., Burnett, B., Aarts, G., & Zhou, S. (2021) ‘可解释的人工智能方法对电子健康记录分析的解释比较’，2021 年 IEEE EMBS 国际生物医学和健康信息学会议 (BHI)，。网址为：https://doi.org/10.1109/bhi50953.2021.9508618 本文由 PEARL 健康学院免费提供给您，可供开放获取。它已被 PEARL 的授权管理员接受纳入护理和助产学院。有关更多信息，请联系 openresearch@plymouth.ac.uk。
摘要 —可解释人工智能 (XAI) 旨在为用户提供可理解的解释。SHAP、LIME 和 Scoped Rules 等 XAI 算法计算机器学习预测的特征重要性。尽管 XAI 引起了广泛研究关注，但将 XAI 技术应用于医疗保健以指导临床决策具有挑战性。在本文中，我们对 XAI 方法给出的解释进行了比较，作为分析复杂电子健康记录 (EHR) 的第三级扩展。利用大规模 EHR 数据集，我们根据 XAI 模型估计的预测重要性比较 EHR 的特征。我们的实验结果表明，所研究的 XAI 方法会根据具体情况生成不同的顶级特征；它们在共享特征重要性方面的差异值得领域专家进一步探索，以评估人类对 XAI 的信任。索引词 —可解释的人工智能、黑盒、玻璃盒、机器学习、电子健康记录
推荐引用 推荐引用 Koutsouvelis, V., Shiaeles, S., Ghita, B., & Bendiab, G. (2021) '使用人工智能和可视化检测内部威胁'，网址：https://doi.org/10.48550/arxiv.2109.02417 本文由 PEARL 科学与工程学院免费提供给您，供您开放访问。它已被 PEARL 授权管理员接受纳入工程、计算和数学学院。有关更多信息，请联系 openresearch@plymouth.ac.uk 。
摘要 — 内部威胁是公司或组织 IT 系统和基础设施最具破坏性的风险因素之一；识别内部威胁引起了全球学术研究界的关注，并提出了多种解决方案来减轻其潜在影响。为了实施本研究中描述的实验阶段，使用卷积神经网络 (CNN) 算法并通过 Google TensorFlow 程序实施，该程序经过训练可以从可用数据集生成的图像中识别潜在威胁。通过检查生成的图像并借助机器学习，可以回答每个用户的活动是否被信息系统归类为“恶意”的问题。
推荐引用 推荐引用 Hon. CS Maravilla，《获得司法公正：人工智能和伦理意见如何认可有限范围的代表权以支持法律市场整合》，40 GA . ST . UL R EV . 957 (2024)。网址：https://readingroom.law.gsu.edu/gsulr/vol40/iss4/10
虽然在某些司法管辖区，自诉人使用 GenAI 可能构成未经授权的法律执业，但目前可用的工具（如 ChatGPT 和 Google Bard）并非用于法律用途。然而，有限范围的代理和代笔将允许律师使用 GenAI 工具以较低的成本向中低收入人群提供法律服务。有限范围的代理和代笔允许律师提交法庭文件而无需正式出庭通知。换句话说，律师为离散任务提供服务，而不是在整个法律事务中正式代表客户。有限范围的代理已得到美国律师协会和许多州司法管辖区的道德认可，作为一种获得司法公正的手段。本文将讨论：（1）允许有限范围代理和法律外包的道德观点为加强使用人工智能技术提供了基础；（2）ChatGPT 和 Google Bard 等公开的在线 GenAI 聊天机器人并非为法律研究和写作而编程，正在给法庭带来问题；（3）为法律起草、研究和写作而量身定制的 GenAI 将导致更多的公司化和不仅为低收入和中等收入的诉讼当事人提供司法服务，而且总体上也能提供负担得起的法律服务。
推荐引用 推荐引用 Samuel D. Hodge Jr.，《在替代性争议解决中使用人工智能是可行的选择还是一厢情愿的想法？》，24 Pepp. Disp. Resol. LJ 91 (2024) 可访问以下网址：https://digitalcommons.pepperdine.edu/drlj/vol24/iss1/3
* Samuel D. Hodge Jr. 是天普大学的教授，教授法律、解剖学和法医学。他撰写了 700 多篇出版物、六本医学教材和两本法律书籍。他还是争议解决研究所的调解员和中立仲裁员，以及医学和法律事务的全国公共演讲者。Hodge 教授撰写了多篇关于人工智能在不同背景下的应用的文章。 1 生成式人工智能可能会从根本上改变法律实践，THE E CONOMIST（2023 年 6 月 6 日），https://www.economist.com/business/2023/06/06/generative-ai-could-radically-alter-the-practice-of-law?utm_medium=cpc.adword.pd&utm_source=google&ppccampaignID=17210591673&ppcadID=&utm_campaign=a.22brand_pmax&utm_content=conversion.direct-response.anonymous&gad_source=1&gclid=CjwKCAiAhJWsBhAaEiw AmrNyq5G4kIw31ce8BecM- YHV5LS1gjL4H5wxutYCAhenX_4GyMcVdSzNZxoCQLcQAvD_BwE &gclsrc=aw.ds。
推荐引用 推荐引用 Sundberg, Leif 和 Holmström, Jonny (2024) “教学技巧：使用无代码人工智能在高等教育中教授机器学习”，信息系统教育杂志：第 35 卷：第 1 期，56-66。 DOI：https://doi.org/10.62273/CYPL2902 可从以下网址获取：https://aisel.aisnet.org/jise/vol35/iss1/6
摘要 随着人工智能 (AI) 的最新进展，机器学习 (ML) 被认为对于寻求从数据中创造价值的组织特别有用。然而，由于 ML 通常与计算机科学和工程等技术专业相关，因此将 ML 使用培训纳入非技术教育课程（例如社会科学课程）具有挑战性。在这里，我们提出了一种应对这一挑战的方法，即在面向具有不同教育背景的大学生的课程中使用无代码 AI。这种方法在基于案例的实证教育环境中进行了测试，其中学生参与数据收集并使用无代码 AI 平台训练 ML 模型。此外，还应用了一个由五项教学原则（以问题为中心的学习、激活、演示、应用和集成）组成的框架。本文为 IS 教育文献做出了贡献，为教师提供了如何在课程中融入无代码 AI 的信息，并深入了解了在教育环境中使用无代码 AI 工具支持 ML 工作流程的好处和挑战。关键词：人工智能、机器学习、IS 教育研究、信息系统教育
存储库引文 存储库引文 Melissa E. Love Koenig 和 Colleen Mandell，《一个新的隐喻：人工智能如何将法律推理与数学思维联系起来》，105 Marq. L. Rev. 559 (2022)。网址：https://scholarship.law.marquette.edu/mulr/vol105/iss3/4
数学课程很简单，其中没有数字：这个世界是有结构的；我们可以希望理解其中的一些，而不仅仅是对我们的感官呈现给我们的东西感到吃惊；我们的直觉在有正式外骨骼的情况下比没有外骨骼的情况下更强。数学的确定性是一回事，我们在日常生活中发现的更柔和的信念是另一回事，如果可以的话，我们应该跟踪两者之间的差异。1 人工智能 (AI) 对法律界的影响每年都在成倍增加。随着人工智能的发展，律师拥有更强大的工具来增强他们研究和分析法律以及起草合同和其他法律文件的能力。律师已经在使用由人工智能驱动的工具，并正在学习转变他们的方法以利用这些增强功能。为了继续适应不断变化的角色，律师应该了解人工智能、数学和法律推理之间的关系。
推荐引用 推荐引用 Culliton, Brianne M. (2024) “生成式人工智能海盗？文学作品中版权与生成式人工智能的交集”，Cybaris®：第 15 卷：第 3 期，第 1 篇文章。可从以下网址获取：https://open.mitchellhamline.edu/cybaris/vol15/iss3/1
1 Leonid Taycher，《世界图书，站起来，被统计！你们全部 129,864,880 本书》，G OOGLE：Google Books 内部（2010 年 8 月 5 日），https://booksearch.blogspot.com/2010/08/books-of-world-stand-up-and-be-counted.html [https://perma.cc/98JK-N7CG]。2 Marie Kester，《世界上有多少本书》，M EDIUM（2022 年 6 月 9 日），https://medium.com/turning-pages/google-reveals-how-many-books-exist-in-the-world-and-the-number-is-surprising-557aa4f05b86 [https://perma.cc/4N5C-E3TM]。 3 17 USC § 101（美国《版权法》将文学作品定义为“除视听作品外，以文字、数字或其他口头或数字符号或标记表达的作品，无论其体现的物质对象的性质如何，例如书籍、期刊、手稿、唱片、胶片、磁带、磁盘或卡片”）。 4 请参阅 Sherry Lane，《书籍在教育中的重要性：重要来源》，E DUEDIFY（2022 年 9 月 1 日），https://eduedify.com/importance-of-books-in-education/ [https://perma.cc/EAM7-J5KC]；David D. Rodrigues，《版权与软件》，G OTTLIEB、R ACKMAN & R EISMAN，PC，https://grr.com/publications/copyrights-and-software/ [https://perma.cc/8L83- 27HJ]； Leandra Beabout，《35 种热门书籍类型终极指南》，READER'SD IGEST (2023 年 11 月 4 日)，www.rd.com/article/book-genres/ [https://perma.cc/H4HS-DQZP]；Arda Œ，《文学的力量：它如何塑造社会和文化》，M EDIUM (2023 年 3 月 1 日)，https://medium.com/illumination/the-power-of-literature-how-it-shapes-society- and-culture-28dc42f04222 [https://perma.cc/SP3F-MBB9]（展示了文学作品的重要性以及存在的多种文学类型）。
推荐引用 推荐引用 S. Sean Tu、Amy Cyphert 和 Samuel J. Perl，《人工智能：法律推理、法律研究和法律写作》，25 M INN. JL S CI. & T ECH. 105 (2024)。网址：https://scholarship.law.umn.edu/mjlst/vol25/iss2/11
然而，法律分析并非仅仅基于类似的事实情况。制定法律论据可能是律师最重要的一步，需要了解法律背后的公共政策和制定法律的基础法律理论。如果事实与先前的案件不完全相同，那么了解哪些事实对于区分先前的裁决或类比到有利于客户立场的先前裁决最重要，可能是胜败的关键。这一步不仅需要了解关键的事实差异，还需要了解所使用的潜在法律理论，以及法律或先前先例案件背后的公共政策的作用。创建法律论据需要类比推理；人工智能的无监督甚至自我监督学习可能会在帮助律师创建制胜的法律论据方面发挥越来越重要的作用。
推荐引用 推荐引用 Kevin Frazier，《人工智能时代的法律实践 - 实践指南：如何将人工智能和新兴技术融入您的实践并遵守示范规则 3.1》，25 M INN . J.L. S CI . & T ECH . 67 (2024)。可从以下网址获取：https://scholarship.law.umn.edu/mjlst/vol25/iss2/10
AI Nexus：一些 AI 工具 3 有助于识别和起草法律论据。4 未能检查据称支持这些论点的来源并验证这些论点是否符合法律的律师可能会违反 MRPC 3.1 和联邦民事诉讼规则 (FRCP) 规则 11。在哪里：特别注意蒙大拿州、新泽西州、纽约州、俄勒冈州、田纳西州和威斯康星州的 MRPC 3.1 州版本；这些司法管辖区的 MRPC 3.1 各自版本在使用 AI 工具方面与标准规则有实质性不同。5 如果您在这些州中的任何一个州执业，请务必查看下面的“实质性州差异”部分。如何：通过彻底记录和验证您的索赔的法律支持来遵守 MRPC 3.1。6 原因：避免根据《联邦民事诉讼规则》第 11 条受到司法制裁，并避免根据该州版本的 MRPC 3.1 条受到州律师协会纪律处分。7