XiaoMi-AI文件搜索系统
World File Search SystemCODESIGN
人工智能的新兴技术增强了人与人之间的协作
[1] Patricia Bertini 和 Elsa Plumley。2014 年。共同创造：与用户一起设计，为用户服务：Ux 展位。https://www.uxbooth.com/articles/co-creation-designing-with-the-user-for-the-user/ [2] Susanne Bødker。2021 年。通过界面：一种人机交互设计方法。CRC 出版社。[3] Willemien Brand。2017 年。视觉思维：通过视觉协作赋予个人和组织权力。BIS 出版社。[4] Senthil Chandrasegaran、Chris Bryan、Hidekazu Shidara、Tung-Yen Chuang 和 Kwan-Liu Ma。2019 年。TalkTraces：实时捕捉和可视化会议中的口头内容。2019 年 CHI 计算机系统人为因素会议论文集。1-14。 [5] Henna Järvi、Anni-Kaisa Kähkönen 和 Hannu Torvinen。2018 年。当价值共同创造失败时：导致价值共同毁灭的原因。《斯堪的纳维亚管理杂志》34, 1 (2018)，63–77。[6] Janin Koch。2017 年。使用协作 AI 进行设计的设计含义。2017 年 AAAI 春季研讨会系列。[7] Jon McCormack、Patrick Hutchings、Toby Gifford、Matthew Yee-King、Maria Teresa Llano 和 Mark D'inverno。2020 年。与创意人工智能实时协作的设计注意事项。《Organised Sound》25, 1 (2020)，41–52。 https://doi.org/10.1017/S1355771819000451 [8] Jonas Oppenlaender。2022 年。文本到图像生成的创造力。第 25 届国际学术 Mindtrek 会议论文集。192–202。[9] Paul B Paulus 和 Jared B Kenworthy。2019 年。有效的头脑风暴。牛津团体创造力和创新手册 (2019 年)，第 287–386 页。[10] Dorian Peters、Lian Loke 和 Naseem Ahmadpour。2021 年。工具包、卡片和游戏——协作创意模拟工具综述。CoDesign 17, 4 (2021)，410–434。[11] L Plé 和 R Chumpitaz。 2009. 并非总是共同创造：在服务主导逻辑中引入价值的交互共毁。关键词。LEM 工作文件 2009-05 (2009)，18-p。[12] 石阳、王阳、齐叶、陈约翰、徐晓瑶和马宽流。2017. IdeaWall：通过组合视觉刺激改善创造性协作。2017 年 ACM 计算机支持协同工作和社交计算会议论文集。594-603。[13] Ben Shneiderman。2020. 以人为本的人工智能：三个新想法。AIS 人机交互学报 12，3 (2020)，109-124。[14] Anne M. Smith。2013. 价值共毁过程：客户资源视角。 https://doi.org/10.1108/EJM-08-2011-0420 [15] Jaime Snyder。2014 年。信息的视觉表示作为交流实践。信息科学与技术协会杂志 65, 11 (2014)，2233–2247。[16] Lebene Richmond Soga、Bernd Vogel、Ana Margarida Graça 和 Kofi Osei-Frimpong。2021 年。Web 2.0 支持的团队关系：行动者网络视角。欧洲工作与组织心理学杂志 30, 5 (2021)，639–652。
关于基于FPGA的工业和物联网应用程序嵌入式系统的特刊简介
现场可编程的门阵列（FPGA）广泛用于嵌入式和低功率系统，用于各种实时工业应用。他们的硬件可重构性可以使应用程序灵活性，并满足严格的计算，实时和控制要求，这是由大量工业和特征（IoT）应用在包括制造，汽车，无人机，无人机，机器人，机器人，军事，军事，空间站，智能家居和智能运输的领域中引起的。此外，与中等体积市场的ASIC相比，FPGA提供了有利的价格表现比，这要归功于它们的众多I/O引脚，可重新配置的逻辑和嵌入式数字信号处理核心以及现成的可用性。此外，他们能够在延迟和能量方面通过空间和可重构计算来胜过CPU。本期特刊的目的是突出基于FPGA的嵌入式系统的最新研究和开发，用于计算，实时和控制需求，这是由现有或新兴的工业和物联网应用产生的。它包括六篇有趣的论文，其中涵盖了许多主题，包括量词后加密（PQC），机器学习（ML），安全，设计和验证以及传感器系统。前两个作品为PQC利用FPGA。具体来说，G。Li等人的第一批作品“ ProgramGalois：基于晶格的加密术的Radix-4离散GALOIS转换架构的实体发电机”。旨在利用FPGA进行完全同态加密，尤其是数字理论转换操作。专注于数字签名类别中的括约肌+方案。本文提出了一种新型离散的Galois Transermation算法，该算法利用Radix-4变体和一组可扩展的构件来实现更高水平的并行性。J.López-Valdivivieso等人的第二件作品“基于HASHES的硬件软件体系结构的设计和实现”。本文通过利用在FPGA上合成的RISC-V处理器来介绍用于SPHINCS+方案的硬件 - 软件体系结构。选择在算法级别使用哪种类型的实例时，可以提供模块化。与参考软件相比，他们的实现通过Shake-256功能提高了15倍，使用Haraka时的效果提高了近90倍。E. Jellum等人的第三项工作“针对网络物理系统的面向反应器的硬件和软件的代码”。提出了一种形式的方法，这是一个定义明确的计算模型
医疗保健检查和证书中人工智能解决方案的准确性和能力：系统评价和荟萃分析
背景：大型语言模型（LLMS）占据了公共利益，因为它们的明显能力可以准确地复制叙事文本中的学习知识。但是，缺乏对医疗保健检查中LLM的准确性和能力标准的明确性。目的：与已知的人类绩效标准相比，我们对LLM准确性进行了系统的综述，该综述在医疗保健检查条件下进行了测试。方法：我们量化了LLM在回答医疗保健检查问题方面的准确性，并评估了研究报告的一致性和质量。搜索包括所有论文，直到2023年9月10日，所有LLM在英语期刊上发布了清晰的LLM准确性标准。The exclusion criteria were as follows: the assessment was not a health care exam, there was no LLM, there was no evaluation of comparable success accuracy, and the literature was not original research.The literature search included the following Medical Subject Headings (MeSH) terms used in all possible combinations: “artificial intelligence,” “ChatGPT,” “GPT,” “LLM,” “large language model,” “machine learning,” “neural network,” “生成预训练的变压器”，“生成变压器”，“生成语言模型”，“生成模型”，“体检”，“医疗保健检查”和“临床检查”。提取了敏感性，准确性和精度数据，包括相关的CI。结果：搜索确定了1673个相关引用。删除了重复的结果后，筛选了1268（75.8％）的论文，以获取标题和摘要，其中包括32（2.5％）的研究以进行全文审查。我们的荟萃分析表明，LLM能够以0.61（CI 0.58-0.64）和美国医疗许可检查（USMLE）0.51（CI 0.46-0.56）的整体医学检查准确性（CI 0.58-0.64）（CI 0.46-0.56）执行，而聊天生成的预期验证的变压器（CHATGPT）可以使用整体医学检查，而整体医学检查的准确性为0.6.6-6.6-6-6-6-6-6-6-6-6-64。结论：LLMS通过向关键决策者提供准确有效的特定于上下文特定信息，提供有望解决医疗保健需求和人员配备挑战的承诺。针对LLM的政策和部署决策，我们提出了一个名为Rubricc（监管，可用性，偏见，可靠性[证据和安全]，互操作性，成本以及代码和医生 - 患者以及公众参与和公众参与和参与[PPIE]）的新框架。这是一个宝贵的机会，可以将新的LLM功能临床调试用于卫生服务，同时尊重患者的安全考虑。试用注册：OSF注册osf.io/xqzkw; https://osf.io/xqzkw