XiaoMi-AI文件搜索系统
World File Search SystemBiases
PSI的位置论文以解决气候和...
3.1为什么很难看到问题？Cognitive Biases, Psychological Barriers, and the Role of Information ................................................................................................................ 9
社会科学走向量子：从量子视角解释人类的决策、认知偏见和达尔文选择
现在如何才能将其与社会科学联系起来？不确定的量子世界如何导致确定的经典世界（包括我们的社会生活）是一个难以理解且最难以理解的秘密之一，尤其是考虑到量子力学涵盖了经典物理学，而其实际适用性仅限于亚原子粒子。从量子世界到宏观现实的这一过程在物理科学中称为退相干（Zeh，1970）。如果社会生活不是由经典世界决定，而是由波函数形式的量子决定，会怎样？这（社会生活）还包括经济学及其研究领域，例如决策理论。本文特别关注的是包括认知偏见在内的心理决策理论，该理论从根本上是由诺贝尔奖获得者行为经济学家卡尼曼和特沃斯基 (Tversky & Kahn eman, 1973 , 1974 , 1983 ; Kahneman & Tversky, 1979 , 1984 ; Kahneman, 2011 ) 塑造的。除了认知偏见这一特点之外，人类的决策行为总体上也应该从量子达尔文主义的角度来看待，以期设计一种新的决策行为量子模型。因此，研究问题如下：首先，量子物理学的发现如何转移到社会科学 (包括经济学)，会产生哪些新的视角？其次，如何从量子物理学的角度对 (行为) 决策理论进行不同的解释？第三，量子达尔文主义的视角如何完善人类的决策行为？
不完整的人类参考基因组可以驱动虚假的性偏见并暴露于宏基因组数据中的患者识别信息
其他声明：是的，存在潜在的竞争利益。Rob Knight是BioMesense，Inc。的科学顾问委员会成员兼顾问，具有公平性并获得收入。他是科学顾问委员会成员，在Gencirq拥有权益。他是Daytwo的顾问和科学顾问委员会成员，并获得收入。他拥有公平，并担任赛贝尔的顾问。他是Biota，Inc。的共同创始人，并具有公平性。他是Micromana的联合创始人，具有公平性，并且是科学顾问委员会成员。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。 根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。
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。
自动化国际人权...
国际人权法院和条约机构越来越多地转向自动决策（“ ADM”）技术，以加快和增强对个人投诉的审查。这些法庭尚未考虑通过将不同类型的自动化技术用于这些目的而提出的许多法律，规范和实际问题。本文对将ADM引入国际人权裁决的收益和挑战进行了全面，平衡的评估。我们主张使用ADM来数字化文档和内部案例管理目的，并就注册，不可接受性和计算损失提出直接建议。相反，我们拒绝使用算法或人工智能（“ AI”）来预测国家是否违反人权条约。在这些极性类别之间，我们讨论了半自动化的程序，这些程序将相似的情况聚集在一起，总结和翻译关键文本，并建议相关的先例。We weigh the benefits of introducing these tools to improve international human rights adjudication—which include greater speed and efficiency in processing and sorting cases, identifying patterns in jurisprudence, and enabling judges and staff to focus on more complex responsibilities— against two types of cognitive biases—biases inherent in the datasets on which ADM is trained and biases arising from interactions between humans and machines.我们还引入了一个框架，以增强责任制，从而减轻ADM技术造成的潜在危害。
集成电路和功率器件抗辐射工艺加固技术研究综述
图 11 不同配置层偏压下 CSOI 器件瞬态电流典型曲线 （ a ） 和 CSOI SRAM 电路的单粒子翻转截面变化 （ b ） Fig. 11 Typical transient current curve of CSOI device (a) and single event upset cross-section variation of CSOI SRAM circuit (b) under different configuration layer biases
04 WRF和LOCA2 Pro
David W. Pierce, Stefan Rahimi, Daniel R. Cayan, Julie Kalansky, Scripps Institution of Oceanography, UCSD & UCLA CEC-funded agreement: EPC-20-006 Development of Climate Projections for California and Identification of General Use Projections December 2023 Methods and Prior Relevant Work Global climate models use millions of calculations and estimations to represent interactions in the earth system.This information and data are extremely useful for understanding the climate system and predicting its future change.However, all models have errors.Systematic model errors are called biases.Examples of climate model biases include overly wet winters or heat waves that are not as extreme as observed.The process of reducing model biases is called bias correction .There are many different kinds of model biases and numerous bias correction methods.因此，由于使用了具有不同目标和结果的不同方法，因此对气候方案数据的用户的描述可能会使用户混淆。通过天气研究和预测（WRF）模型以及在统计缩减局部化的局部构造的模拟版本2（以下内容）中描述了通过天气研究和预测模型（WRF）模型使用的偏差校正方法的具体细节。1本备忘录的目的是对偏差校正进行高级概述，以便气候数据用户可以更好地了解不同产品中偏见校正的使用方式不同。Biases tend to be complicated functions of time of year and how extreme the value is.例如，由于描绘雪过程的模型错误，冬季的温度偏见可能与夏季不同，或者由于大气河流的模拟方式，“平均”潮湿天的降水偏见可能不同于“平均”潮湿天数。因此，偏差校正方法通常是按月或季节应用的，有时会考虑随着值变得更加极端的变化而考虑如何变化（例如Panofsky和Brier，1968; Thrasher等，2012）。LOCA2和WRF产品都始于全球各个团体产生的全球气候模型（GCM）预测。GCM通常具有较大的偏见。例如，模拟冬季降水的GCM是加利福尼亚观察到的两倍。LOCA2运行使用Presrat对GCM值进行偏差校正（Pierce等人2015）在降尺度步骤之前的方法。presrat计算偏差校正
会议计划
BREAK: 9:15 AM – 9:25 AM 3 rd PARALLEL SESSIONS: 9:25 AM – 10:55 AM SESSION 3.1 Consumers + Technology Dialogue Organized by Rotterdam School of Management Location: Cooperman Commons Session Chair: Anne-Kathrin Klesse Biased Echoes: Generative AI Models Reinforce Investment Biases and Increase Portfolio Risks of Private Retail Investors
Infome 2021 人工智能指数 - 斯坦福大学
Alexey Bochkovskiy；百度 PaddlePaddle 计算机视觉团队；徐成刚（长江商学院）；Mohammed AlQuraishi（哥伦比亚大学）；Evan Schnidman（EAS Innovation）；林方真（香港科技大学）；David Kanter（MLCommons）；Sam Bowman（纽约大学）；Maneesh Agrawala、Jeannette Bohg、Emma Brunskill、Chelsea Finn、Aditya Grover、Tatsunori Hashimoto、Dan Jurafsky、Percy Liang、Sharon Zhou（斯坦福大学）；Vamsi Sistla（加州大学伯克利分校）；Simon King（爱丁堡大学）；Ivan Goncharov（Weights & Biases）
引用：Straw I, Callison-Burch C (2020) 人工智能在心理健康和基于语言的模型中的偏见。PLoS ONE 15(12): e0240376。https://doi.org/10.1371/journal.pone.0240376
我们的心理和情感健康主要通过语言来传达，因此精神病专业人员历来依靠临床对话和患者叙述来评估心理健康。然而，人工智能 (AI) 的最新发展为该领域带来了新的见解，通过可以从更多样化的数据来源推断情感含义的技术 [1-3]。计算语言学和情感分析学科一直是这一过程的核心 [2-5]。在计算语言学中，“自然语言处理” (NLP) 是一种用于构建可解释原始人类语言数据的计算模型的技术 [2-5]。情感分析是人工智能的一个子集，用于测量、理解和响应人类情感的语言表达。NLP 和情感分析的结合使数据科学家能够构建可从书面文本中理解人类情感的模型 [3]。在医学方面，这些模型目前正被用于提供关于患者情绪和心理健康的丰富信息[6-11]。在过去几年中，NLP 模型已用于从临床记录中识别自杀意念、在线预测自杀风险，并在推特上挖掘精神病患者的自我披露[7，10-13]。这些模型既可用于个体患者护理，也可用于更广泛的公共卫生政策。人口层面的应用包括 NLP 算法，它可以有效地绘制美国各地的行为健康疾病图，并与疾病控制和预防中心 (CDC) 的公共卫生数据相关联[8]。在个人层面，研究人员已证明，他们能够通过在线数据高度准确地预测哪些母亲会患上产后抑郁症[9，14]。尽管这些技术备受青睐，但我们必须在现有医疗保健转型的大背景下考虑它们。数字健康与医学的融合正在给医疗领域带来快速变化，我们现在做出的决定将对未来的病患护理产生深远影响。目前，研究人员和开发人员在构建这些工具时假设现有医疗实践是“黄金标准”，尽管该领域长期存在歧视性实践、偏见和医疗错误[15-23]。例如，长达40年的塔斯基吉审判证明了医学领域种族主义研究的历史；20世纪的“歇斯底里”诊断积极伤害了患有器质性疾病的女性；对同性恋的病理化反映了医学学科长期存在的性别歧视[15、17、24]。医学史上充斥着基于身份的偏见性有害实践的例子，我们在今天的临床实践中仍然看到这种历史的影响。如果我们要创建不伤害弱势患者群体的模型，那么我们必须首先质疑这些模型建立的基础。正在进行的对医学中现存偏见的研究为此提供了理想的资源。当前的公共卫生研究表明，当女性和男性出现相同的医学症状时，女性的症状更有可能被解读为社会心理症状，从而导致治疗延误[15]。药理学研究表明，将少数群体排除在药物试验之外导致的干预措施并不能以相同的速度使所有患者受益[15,25-27]。此外，由于医学课程和诊断框架的偏见而导致的基于性别的误诊使女性面临更大的心脏事件不良后果风险[15,16]。