XiaoMi-AI文件搜索系统
World File Search System设计人
CoAuthor：设计人机协作写作数据集以探索语言模型功能
大型语言模型 (LM) 提供了前所未有的语言生成能力和令人兴奋的交互设计机会。然而，它们高度依赖于上下文的能力很难掌握，而且往往被主观解释。在本文中，我们认为，通过整理和分析大型交互数据集，HCI 社区可以促进对 LM 生成能力的更深入的检查。为了举例说明这种方法，我们提出了 CoAuthor，这是一个旨在揭示 GPT-3 在协助创造性和论证性写作方面的能力的数据集。CoAuthor 在 1445 个写作会话中捕捉了 63 位作者和 4 个 GPT-3 实例之间的丰富互动。我们证明 CoAuthor 可以解决有关 GPT-3 的语言、构思和协作能力的问题，并揭示其作为写作“合作者”在各种良好协作定义下的贡献。最后，我们讨论这项工作如何促进围绕 LM 在交互设计方面的优点和缺点的更有原则性的讨论。数据集和用于重放写作会话的界面可在 https://coauthor.stanford.edu 上公开获取。
设计人工智能系统的四种实用方法
虽然使用人工智能 (AI) 的系统越来越多地成为日常技术使用的一部分，但我们并不完全了解人工智能如何改变设计流程。需要对设计师如何与人工智能合作有一个结构化的理解，以改进设计流程和教育未来的设计师。为此，我们采访了参与使用人工智能项目的设计师。过去的工作主要关注经验丰富的设计师创建的人工智能系统，而我们则关注多样化交互设计师的观点。我们的结果表明，当人工智能融入时，交互系统的设计过程会受到影响，设计团队会调整他们的流程以适应人工智能。根据我们的数据，我们提出了交互设计师与人工智能合作所采用的四种方法：先验、事后、以模型为中心和以能力为中心。我们的工作为人工智能系统的设计流程如何制定提供了一个务实的解释。
在时间紧迫的环境中设计人工智能增强型操作员信息人体工程学
决策依赖于准确的信息以实现良好的态势感知 (SA)。良好的态势感知是指个体在考虑整个任务范围时拥有关于正在发生的事情的所有相关信息的状态。它涉及正在发生的事情以及所考虑因素的状态，即对环境中因素的感知、对其含义的理解以及对其在不久的将来的状态的感知。从信息工效学的角度来看，信息的质量比数量更重要，即只应呈现关键信息，因为过多的信息会给信息处理带来不必要的负担 [1]。与决策相关的信息应以易于使用的信息产品的形式呈现，以避免分心。信息处理滞后或额外的处理周期很容易导致分心。在信息驱动的运营管理环境中，关键问题是集中精力于最相关的信息并获得和保持良好的态势感知。添加时间压力作为一个因素，提出了一个全维信息处理优化问题。优化是根据
设计人工智能系统的分类评估
人工智能系统的分类评估在概念上很简单，即针对不同人群分别评估和报告系统性能。然而，其设计涉及多种选择。其中一些选择会影响将要获得的结果，从而影响可以得出的结论；另一些选择则会影响分类评估对人们（包括使用其数据进行评估的人们）的影响（有利有弊）。我们认为，更深入地了解这些选择将使研究人员和从业人员能够设计出谨慎而有结论的分类评估。我们还认为，更好地记录这些选择以及所做的基本考虑和权衡将有助于其他人解读评估结果和结论。
设计人工智能辅助交互式地图显示以探索空间信息 Merve Keskin a, * , Pyry Kettunen a
尽管如今我们能够通过快速数据收集方法（例如手机、传感器、GPS）生成大量空间或地理参考数据，但理解收集到的大数据对人们来说仍然是一个巨大的挑战。可视化分析和探索性地理可视化工具已被用于识别非结构化和不一致数据中未知的地理空间现象，并有助于提高我们理解这些现象的根本原因和参与者的能力（Andrienko & Andrienko，1999；Jeansoulin，2016）。一方面，可视化参数（例如视觉变量；Bertin，1967）和图形显示的质量在解释视觉场景和发现不太突出的信息方面发挥着重要作用。另一方面，选择正确的方法来指导有效的地图使用并利用对人类视觉空间认知的研究来定义人机交互水平至关重要。在这种情况下，我们需要系统地了解影响空间认知的人为因素，以便能够提供个性化的显示，其中人与机器作为一个团队工作，特别是创建适应用户行为而不是相反的界面。正如 Basole (2019) 所解释的那样，未来基于人工智能的可视化系统可以从用户行为中学习并根据用户的选择和偏好推荐进一步的操作，而不是规定显示什么和如何显示。
为非正式学习空间共同设计人工智能素养展览
一个圆圈上粘着一张鸟类特征（如翅膀、喙）的图像。桌上有卡片，上面有不同的鸟类图像以及可能被误认为是鸟类的动物图像（如乌龟、鸭嘴兽）。我们还包括一些可能被错误分类的非典型鸟类（如企鹅、鸵鸟）。还提供了两张索引卡——一张写着“这是一只鸟！”另一张写着“这不是一只鸟！”参与者可以看到系统在某些情况下可能做什么的交互式演示（例如，如果强调飞行特征，将知更鸟归类为鸟，而将企鹅归类为非鸟）。然后鼓励参与者浏览动物卡片组并
设计人机共同创造系统时的九个潜在陷阱
人工智能也进入了视觉艺术[7]、创意写作和诗歌[8,9]等艺术领域。更多示例可在“ML x Art”列表1中找到。本次研讨会的征集意见中也提出了一个共同的愿景，即人类创造性地使用人工智能作为工具。从这个角度来看，这些新的交互系统有望通过利用人工智能功能来实现创造力支持工具（CST，[10]）的关键思想。更具体地说，这种支持可以让人类和人工智能扮演许多不同的角色（有关最新概述，请参阅[11]）。例如，这包括使用人工智能作为发散或收敛代理，如霍夫曼[12]所述，即产生或评估（人类的）想法。与此相关的是，Kantosalo 和 Toivonen [13] 强调交替共同创造，即人工智能“取悦”用户和“激怒”用户。此外，Negrete-Yankelevich 和 Morales-Zaragoza [ 14 ] 描述了一组相关的角色，包括将人工智能视为“学徒”，
面向设计人工智能和数据驱动技术的新参与式方法
由于人工智能 (AI) 涉及边缘化社区的许多技术和伦理问题，人们对用于边缘化人群的设计方法的兴趣日益浓厚，这些方法可能可以转移到人工智能技术的设计中。参与式设计 (PD) 是一种设计方法，通常用于边缘化社区，用于设计社会发展、政策、IT 和其他事项和解决方案。然而，当前的 PD 存在问题，在将其应用于技术设计（包括人工智能技术）时引发担忧。本文主张将 PD 用于人工智能技术的设计，并介绍和提出了一种新的 PD，我们称之为敏捷参与式设计，它不仅可以用于人工智能和数据驱动技术的设计，还可以克服当前 PD 及其在这些技术设计中的使用问题。
设计人浆细胞类动物基于树突状细胞的疫苗，以促进和扩展多特异性病毒和肿瘤抗原特异性T细胞
1慢性DIEASES的免疫生物学和免疫疗法，晚期生物科学研究所，Inserm U1209，CNRS UMR 5309，ÉgrenobleAlpes大学，38700 La Tronche，法国； k.lenogue@free.fr（k.l.）; Alexandre.walencik@efs.sante.fr（A.W。）; jean-paul.molens@efs.sante.fr（J.-P.M.）; laurence.chaperot@efs.sante.fr（L.C。）2 PDC*线制药，38701法国格勒诺布尔； k.laulagnier@pdc-line-pharma.com 3 Research and Development Laboratory, French Establishment of Auvergne-Rh ô Ne-Alpes, 38701 Grenoble, France 4 HLA Laboratory, French Establishment of the Center-Pays de la Loire, 44011 Nantes, France 5 CRCINA, Inserm, University of Angers, 44011 Nantes，法国； houssem.benlalam@univ-nantes.fr 6 Onco-dermatology系，Chu Nantes，CIC 1413，Crcina，Nantes大学，法国44093 Nantes； brigitte.dreno@atlanmed.fr 7杜夫学院，卢旺天主教大学，比利时B-1200，B-1200； pierre.coulie@uclouvain.be 8癌症研究所，伦敦大学学院，伦敦WC1E 6BT，英国； martin.pule@ucl.ac.uk *通信：j.plumas@pdc-line-pharma.com
用于钢筋混凝土桥梁结构健康监测的智能设计人工智能
摘要：随着在线传感技术和高性能计算的最新进展，结构健康监测 (SHM) 已开始成为对民用基础设施进行实时条件监测的自动化方法。理想的 SHM 策略通过利用测量的响应数据来更新基于物理的有限元模型 (FEM) 来检测和描述损坏。在监测复合结构（例如钢筋混凝土 (RC) 桥梁）时，基于 FEM 的 SHM 的可靠性会受到材料、边界、几何和其他模型不确定性的不利影响。土木工程研究人员已经采用了流行的人工智能 (AI) 技术来克服这些限制，因为 AI 具有利用先进的机器学习技术快速分析实验数据来解决复杂和定义不明确的问题的天生能力。在这方面，本研究采用了一种新颖的贝叶斯估计技术来更新耦合的车辆桥梁 FEM 以用于 SHM。与现有的基于 AI 的技术不同，所提出的方法智能地使用嵌入式 FEM 模型，从而减少了参数空间，同时通过基于物理的原理指导贝叶斯模型。为了验证该方法，给定一组“真实”参数，从车桥 FEM 生成桥梁响应数据，并分析参数估计的偏差和标准差。此外，平均参数估计值用于求解 FEM 模型，并将结果与“真实”参数值的结果进行比较。还进行了敏感性研究，以展示正确制定模型空间以改进贝叶斯估计程序的方法。研究最后进行了讨论，重点介绍了利用实验数据使用人工智能技术更新混凝土结构 FEM 时需要考虑的因素。关键词：人工智能、贝叶斯统计、结构健康监测、钢筋混凝土、公路桥梁、车桥相互作用。