XiaoMi-AI文件搜索系统
World File Search System认识论
未来的LIS教育和对数字信息环境的全球能力要求的不断发展：认识论概述
在不断发展的以数字为导向的图书馆和/或信息科学（LIS）纪律的背景下，由安德鲁·雅培（Andrew Abbott）的《学科理论》（Andrew Abbott）的混乱理论构建，本文介绍了对全球数字信息环境及其对未来LIS教育的影响的认识论概述。这样做，它借鉴了IFLA BSLISE（建立强大的LIS教育）工作组正在进行的研究的国际案例研究，以开发国际LIS教育评估质量标准的框架，以及一项国家（南非）案例研究，涉及在高度数字化的机构信息环境中汇编LIS能力索引。纪律理论的混乱最初被概念化，以证明社会学科的发展。其纪律和分形区别的核心原理被用作启发式工具，将这两个有目的选择的案例研究与LIS学科的固有性质联系起来，将经验证据连接起来，及其对专业实践的启示对高度数字化的全球信息环境和未来的竞争力的竞争力的意义，以实现专业实践的意义。
理论和数据中的定性研究和定量研究之间的关键区别：认识论和本体论考虑因素
根据Kothari（2004）的定量研究，基于数量或数量的测量。它适用于可以用数量表示的现象。它基于实证主义研究范式，该研究范式使用实验设计来衡量效果，尤其是通过小组变化。数据收集技术的重点是以数字的形式收集硬数据，以使证据以定量形式提供（Kurgat，2016）。在方法论方面，实证主义探究中的真理是通过验证和复制可观察发现的（Lincon，1994），研究对象的可变操作（Bryman.a，1988）以及统计分析的应用（Lincon，1994）来实现的。实证主义者强调使用有效和可靠的方法来描述和解释事件。
选定的经济因素对业务的影响...
s u m m a r y：人工认知增强的普及程度的认识论后果仍然局限于哲学探索的边缘，而优先考虑了需要紧急实际解决方案的道德问题。在本文中，我研究了不太受欢迎但仍然重要的问题，即当其主题使用人工认知增强剂时，其知识形成过程的威胁所面临的威胁。我所说的知识理论是从美德认识论家借来的，他们与主动外部主义的支持者一起，试图定义将保护人为增强的代理人免受认识论代理的损失的条件。我调用了三个这样的条件（真实性，集成和相互因果关系），拒绝了最后一个。将活跃的外部主义纳入美德认识论指出，将由人类和工件组成的扩展系统作为扩展的知识主体。在最后一部分中，我提出了两个反对认知代理的延伸的论点。k e y w o r d s：认知增强，美德认识论，主动外部主义，扩展认知系统，认识论机构。
伊斯兰哲学与人工智能
摘要。本文通过几个著名伊斯兰哲学流派的认识论棱镜，分析了机器学习的不同过程：监督、无监督和半监督。我讨论了每个学派概念化本体论绝对（不朽、死亡、来世）的方式，以及这如何塑造了各自的认识论。我通过每个哲学传统的认识论构造棱镜，分析了不同的机器学习过程。最后，我认为，鉴于许多穆斯林国家是人工智能发展及其在日常生活中的应用的领导者，更多来自伊斯兰哲学传统的学者应该参与有关人工智能发展及其影响的辩论。
项目首字母缩写和标题：Aimodels - 算法模型的文化：推进人工智能资金的历史认识论PR
项目总成本总额为Unive€1.927,572€1.927,572摘要：该项目提出了另一种人工智能认识论（AI）。它认为，AI的风险与人类理性（拟人化）相似，而是其认知差异。不是在摘要中猜测机器是否可以“思考”，而是解决了一个历史问题：当前AI，机器学习范围的逻辑和技术形式是什么，其起源是什么？该项目可以追溯到机器学习的起源回到算法建模的发明（更确切地说，是算法统计建模），该建模在1950年代中期的人工神经网络研究中形成了，并记录了这种开创性人工制品的连贯历史和同学的一致性历史和同学。该项目追求三个目标，将其发现转化为建设性范式：1）AI的新历史强调算法模型在统计，计算机科学，人工神经网络和机器学习的演变中的关键作用； 2）AI的新认识论与学习心理学和科学技术的历史认识论相关； 3）研究大型多用途模型的影响（例如Bert，GPT-3，法典和其他最新基础模型）关于工作自动化，数据治理和数字文化。通过巩固AI的模型理论，该研究将使AI的接受和数字人文，科学计算，机器人技术和AI伦理等领域受益。最终，它将有助于将AI置于当前技术界面的全球视野和知识系统的悠久历史上。
仪器、代理和人工智能 - PhilSci-Archive
理解为什么这样的系统会做出这样的预测和分类。这种局限性在高风险决策环境中尤其令人担忧，例如医疗诊断和刑事司法，其中问责制、价值观一致和广泛的道德考虑是突出的 [Rud19、BC + 22、FS + 21、Hof17]。然而，DL 模型 (DLM) 的不可预测性在科学环境中也引起了认识论的关注，其中解释和理解 [RB22、Sul19] 代表了核心的认识论美德 [Kha17]。当然，在使用深度学习系统模拟易于理解但耗时的任务（例如识别星系或去噪数据）的情况下，纯粹务实的考虑（例如分类准确性或控制程度）通常足以满足给定模型的目的 [Par20]。此外，在许多此类情况下，DL 输出可以独立验证，从而使不透明度在认识论上变得无关紧要 [Due22]。
仪器、代理和人工智能 - PhilSci-Archive
理解为什么这样的系统会做出这样的预测和分类。这种局限性在高风险决策环境中尤其令人担忧，例如医疗诊断和刑事司法，其中问责制、价值观一致和广泛的道德考虑是突出的 [Rud19、BC + 22、FS + 21、Hof17]。然而，DL 模型 (DLM) 的不可预测性在科学环境中也引起了认识论的关注，其中解释和理解 [RB22、Sul19] 代表了核心的认识论美德 [Kha17]。当然，在使用深度学习系统模拟易于理解但耗时的任务（例如识别星系或去噪数据）的情况下，纯粹务实的考虑（例如分类准确性或控制程度）通常足以满足给定模型的目的 [Par20]。此外，在许多此类情况下，DL 输出可以独立验证，从而使不透明度在认识论上变得无关紧要 [Due22]。
chatgpt和技术教育张力
根据美德认识论摘要，教育的主要目的是发展学生的认知特征（Pritchard，2014，2016）。考虑到解决认知任务的技术工具（例如ChatGpt和其他LLM）的繁殖，教育实践应如何结合使用此类工具而不会破坏学生的认知特征？Pritchard（2014，2016）认为，可以通过将美德认识论框架与扩展认知理论相结合（Clark and Chalmers，1998）来正确解决这种“技术教育张力”（TET）。他认为，Ext使我们能够将工具视为学生认知系统的构成部分，从而将其认知性格保留在技术引起的认知减少中。本文的第一个目的是证明该解决方案不足以解决TET。第二，我的目标是提供一个互补的，更包含工具使用的框架来解决TET。然后，我将其应用于Chatgpt的教育用途，作为LLM的最著名示例，尽管我的论点可以扩展到其他属性AI系统。在教派中这样做。1.1，我介绍了普里查德（Pritchard）在教育中应用的认知和美德认识论的框架，我在这种治疗中所承诺。在教派中。2和3，我分别说明了Pritchard（2014）对TET的解决方案，我强调了他的提议的一般局限性。因此，在教派中。在教派中。最后，在教派中。4.1我将Chatgpt描述为使用Fasoli's（Fasoli，2017，2018）的认知文物分类法的计算认知伪像。4.2，我提出了我的提议，该提议结合了普里查德的美德认识论与法索利（Fasoli）（2017，2018）的认知文物分类法，以解决TET。5.1，我在教育环境中介绍了一些认识论的chatgpt。总而言之，我主张采用一种多学科方法来分析涉及AI技术（例如Chatgpt）的教育活动。
