XiaoMi-AI文件搜索系统
World File Search SystemBiases
手动感知中的偏见是由体感计算驱动的，而不是扭曲的手模型Peviani，V.C。； L.E.C. Miller； Medendorp，W.P。 2024，ar
为了感知环境中的对象并互动，我们毫不费力地在所需的位置配置了我们的figertips。因此，可以合理地假设潜在的控制机制依赖于有关我们的手和纤维的结构和空间维度的准确知识。然而，这种直觉受到了多年的研究挑战，表明纤维几何学的感知中存在巨大的偏见。1–5这种感知偏见被视为证据表明大脑对人体的内部表示被扭曲，6导致了关于我们行为熟练的明显悖论。7在这里，我们对手工感知的偏见提出了另一种解释，这是噪音的贝叶斯整体的结果，但是关于纤维几何和姿势的无偏见，无偏的体感信号。为了解决这一假设，我们将贝叶斯反向工程与索引填充剂的关节和填充定位进行的行为实验相结合。，我们以感觉或在空间坐标中对贝叶斯的整合进行了建模，表明后一种模型变体导致了纤维感知的偏见，尽管有准确表示纤维长度。关节和纤维化定位响应的行为度量显示出相似的偏见，这些偏见是由空间基的，但不是基于感觉的模型变体所填充的。空间模型变体还优于具有内置几何偏差的失真手模型。总的来说，我们的结果表明，纤维几何形状的感知失真不会反映扭曲的手模型，而是源自几乎最佳的贝叶斯对体感信号的推断。
量化设备类型和远程帕金森氏病AI驱动评估中的交接性偏见
早期发现帕金森氏病（PD）可以使早期获得护理，从而改善患者的预后。 我们研究了使用从Web应用程序记录的数据来测量结构化鼠标和按键数据的数据，通过评估手指和手动运动模式来预测PD。 我们评估了与设备类型和惯性相关的人口偏见和偏见的影响，这与我们的应用特别相关。 我们收集了251名参与者（99 PD，152个非PD）的数据。 使用随机森林模型，我们观察到了84％的F1得分，86％的灵敏度和92％的特异性。 在仅检查各组之间的F1得分差异时，没有出现明显的偏见。 然而，使用算法公平度量指标进行更深入的分析，发现了关于积极预测和错误率的偏见。 特别是，我们发现性别和种族对接受PD预测没有统计学上的显着影响。 但是，我们在接受PD诊断方面观察到有关设备类型和主导手的偏见，这是由不同的影响和均衡的赔率公平度量指标所证明的。 这项工作表明，使用台式机或笔记本电脑等消费设备的远程数字健康诊断可能会在算法公平性（例如设备类型和触手需性）中表现出非传统但很大的偏见。早期发现帕金森氏病（PD）可以使早期获得护理，从而改善患者的预后。我们研究了使用从Web应用程序记录的数据来测量结构化鼠标和按键数据的数据，通过评估手指和手动运动模式来预测PD。我们评估了与设备类型和惯性相关的人口偏见和偏见的影响，这与我们的应用特别相关。我们收集了251名参与者（99 PD，152个非PD）的数据。使用随机森林模型，我们观察到了84％的F1得分，86％的灵敏度和92％的特异性。在仅检查各组之间的F1得分差异时，没有出现明显的偏见。然而，使用算法公平度量指标进行更深入的分析，发现了关于积极预测和错误率的偏见。特别是，我们发现性别和种族对接受PD预测没有统计学上的显着影响。但是，我们在接受PD诊断方面观察到有关设备类型和主导手的偏见，这是由不同的影响和均衡的赔率公平度量指标所证明的。这项工作表明，使用台式机或笔记本电脑等消费设备的远程数字健康诊断可能会在算法公平性（例如设备类型和触手需性）中表现出非传统但很大的偏见。
投资决策中的行为偏见
摘要本研究提供了对投资者行为及其与尼泊尔金融市场投资决策背景下的各种行为偏见的关键见解。使用结构化问卷从260个单独的投资者收集数据，并应用了层次回归分析来检验假设。该研究确定了影响投资决策的重大偏见，包括锚定偏见，过度自信和放牧。此外，还研究了金融素养作为调节因素的作用，揭示了其对减少这些偏见影响的重要影响。调查结果强调了尼泊尔新兴市场中独特的投资模式，与发达金融市场的既定规范形成鲜明对比。这些结果对于政策制定者，监管机构和股票市场当局来说是有价值的，可以解决投资者行为，增强金融教育并促进知情决策。关键字：投资者行为，行为偏见，金融素养，尼泊尔。
在线购物中的行为偏见：有关...
学生，SRCC摘要本研究论文研究了专门锚定的行为偏见和诱饵效应在塑造在线购物决策中的作用，尤其是在折扣和量身定制的产品建议的背景下。通过了解这些偏见如何影响消费者的选择，在线零售商可以优化其营销策略，以提高用户参与度并提高转化率。该研究提供了可行的见解，了解这些偏见的战略使用如何提高营销效率，同时还解决了维持消费者信任和满意度所必需的道德考虑因素。过度使用行为偏见会导致操纵性实践，并且零售商必须确保其营销工作中的透明度和公平性。此外，研究还提出了未来研究的途径，重点是探索在特定的人口统计或区域环境中的这些偏见，以更好地了解它们在不同人群中的变化。总体而言，这项研究提供了对在线零售环境中使用行为策略的潜在利益和道德意义的宝贵见解。关键字行为偏见，锚定，诱饵效应，在线零售，营销策略，消费者行为，道德营销，用户参与，未来的研究，营销有效性。1。简介技术的无情行进将零售景观转变为从利基活动转变为全球贸易中的主导力量的在线购物。在线购物环境是一个精心构建的生态系统，旨在最大程度地提高参与度和最终的销售。这种深刻的转变不仅改变了我们购买商品和服务的方式，而且还引入了一个新颖的舞台，以实现认知偏见和决策过程的相互作用。尽管电子商务的便利性和可访问性具有不可否认的优势，但他们同时将消费者暴露于无数微妙的心理操作中，这些操纵可能会对他们的选择产生重大影响。本文深入研究了在线购物中行为偏见的迷人领域，特别研究了折扣和建议，在线零售的两个无处不在的特征，塑造消费者行为以及通常会导致偏离理性决策。与物理商店不同，感官体验和有形的互动起着作用，在线领域在很大程度上依赖于视觉提示，有说服力的语言和算法的轻笑来指导消费者。折扣，经常以时间敏感的报价或降低百分比呈现，触发强大的心理反应，通常对价值和需求的理性考虑。同样，建议，无论平台明确提供还是通过算法
以人为本的人工智能可减轻人工智能偏见
全球卫生危机为人工智能 (AI) 解决方案的开发带来了前所未有的机遇。本文旨在通过实施以人为本的 AI 来帮助组织中的决策者，从而解决人工智能中的部分偏见。它依赖于两个设计科学研究 (DSR) 项目的结果：SCHOPPER 和 VRAILEXIA。这两个设计项目通过两个互补的阶段将以人为本的 AI 方法付诸实践：1) 第一个阶段安装了以人为本的知情设计流程，2) 第二个阶段实现了聚合 AI 和人类的使用架构。所提出的框架具有许多优势，例如允许将人类知识整合到 AI 的设计和训练中，为人类提供对其预测的可理解解释，并推动增强智能的出现，可以将算法转变为对人类决策错误的强大平衡，将人类转变为对 AI 偏见的平衡。
调整法学硕士评估员的立场偏见
大型语言模型 (LLM) 已显示出作为评估 AI 系统生成的答案质量的自动评估器的前景。然而，基于 LLM 的评估器在用于评估成对比较中的候选答案时表现出位置偏差或不一致性，无论内容如何，都会偏向第一个或第二个答案。为了解决这个限制，我们提出了 P ORTIA，这是一个基于对齐的系统，旨在模仿人类的比较策略，以轻量级但有效的方式校准位置偏差。具体来说，P ORTIA 将答案分成多个部分，同时考虑长度和语义，然后将它们合并回单个提示以供 LLM 评估。对 6 个 LLM 对 11,520 个答案对进行的大量实验表明，P ORTIA 显着提高了所有模型和比较形式的一致性率，平均相对提高 47.46%。它还使 P ORTIA 增强型 GPT-3.5 能够实现与 GPT-4 相当的与人类的一致率，并将 GPT-4 的一致率提高到 98%。后续的人工评估表明，P ORTIA 增强型 GPT-3.5 模型在与人类评估者的一致性方面甚至可以超越独立的 GPT-4，凸显了 P ORTIA 纠正立场偏见、提高 LLM 一致性和提高性能的同时保持成本效率的能力。
采用队列设计的 COVID-19 疫苗有效性研究中的偏差
关于 COVID-19 疫苗有效性 (VE) 的观察性研究提供了关键的真实世界数据，为全球公共卫生政策提供了信息。这些研究主要使用预先存在的数据源，对于评估不同人群的 VE 和制定可持续的疫苗接种策略至关重要。队列设计经常用于 VE 研究。在 COVID-19 大流行期间，疫苗接种运动的快速实施引入了受社会人口差异、公共政策、感知风险、健康促进行为和健康状况影响的差异性疫苗接种，可能导致健康用户偏见、健康疫苗接种效果、虚弱偏见、易感性差异耗竭偏见和适应症混杂等偏见。医疗保健系统的巨大负担加剧了数据不准确的风险，导致结果分类错误。此外，大流行期间使用的大量诊断测试也导致了错误分类偏差。急于发表可能进一步影响了这些偏见或导致对其的疏忽，从而影响了研究结果的有效性。研究中的这些偏见因环境、数据来源和分析方法的不同而有很大差异，并且由于数据基础设施不足，在中低收入国家 (LMIC) 环境中可能更为明显。解决和减轻这些偏见对于准确估计 VE、指导公共卫生战略和维持公众对疫苗接种计划的信任至关重要。透明地沟通这些偏见并严格改进未来观察性研究的设计至关重要。
认知偏见在Mizoram的政治领域-IJRPR
正规教育和基督教进入了米佐拉姆邦，社会生活发生了巨大变化。废除了Zawlbuk，酋长制和各种做法等现有实体。政治意识带来了政治变革，这导致了政党的成立。第一个政党Mizo Conmoners Union，后来更名为Mizo Union，于1946年成立，赢得了Mizoram于1972年的第一次大选。有影响力的公民社会，例如YMA（年轻的Mizo协会），MHIP（Mizo Hmeichhe Insuihkhawm Pawl）等。iii这些公民社会在维护社会的传统和实践方面发挥了警务作用。他们的行动努力确保社区的利益，他们的观点倾向于与保守的原则保持一致。这些机构可以对米佐拉姆人民的政治行为产生深远的影响。
V10I4-1204 AI驱动的教育工具中的偏见
摘要本文探讨了AI驱动的教育技术中偏见的普遍性，研究了其来源，表现和对多样化学生人群的影响。它提出了一个识别和减轻偏见的框架，强调了对透明和包容的教育技术的需求。教育中AI的全球市场价值预计将在2022年至2030年之间增加45％的复合年增长率（复合年增长率） - 强调了这一不断发展的行业的巨大潜力。作为一个负责任的社会，我们必须确保在敏感领域（如教育）中对人工智能的道德复制，在这种敏感领域中，潜力是无限的，但是风险同样有效。本文旨在将AI的基础设定为辅助技术，而不是替代传统教学。这项研究强调了在课程设计或教学法计划中使用深度学习和自然语言处理，不仅关注批判性思维，而不仅仅是静态学习。虽然其他最近的作品仅审查了一种用例，但我们将Edtech工具分为三种学习途径：支持学生支持，支持教师和系统支持。通过理论和经验分析，我们系统地分解了两种技术辅助分级技术和聊天机器人个性化学习，因此探索了对利益相关者的所有影响：学生，老师和教育社区。此外，我们强调需要一个安全的监管框架，就像当前存在的框架一样，以确保不会滥用收集的数据。围绕信息的脆弱性和数据挖掘的进一步复制的法律应该是严格的，对违反同样的法律造成了适当的法律后果。关键字：人工智能，偏见，教育，辅助分级，数据偏见，算法偏见，偏见缓解，机器
通过偏见神经元消除的指导跟随语言模型的偏见
指导遵循语言模型通常表现出不良的偏见。这些不良偏见可能会在语言模型的现实世界中加速，在这种模型的现实世界中，通过零射击的提示，使用了广泛的指示。为了解决这个问题，我们首先定义了偏置神经元，该神经元显着影响偏见的产出，并在经验上证明其存在。此外，我们提出了一种新颖而实用的缓解方法CRISPR，以消除在遵循教学遵循的环境中语言模型的偏置神经元。crispr au-fomations确定有偏见的输出，并使用可解释性方法来影响偏见输出作为偏见神经元的神经元。实验结果证明了我们方法在减轻零射击指令遵循设置下的偏见的有效性，但失去了模型的任务绩效和现有知识。实验结果揭示了我们方法的普遍性，因为它在各种指令和数据集中显示出鲁棒性。令人惊讶的是，我们的方法可以通过仅消除少数神经元（至少三个）来使语言模型的偏见。