XiaoMi-AI文件搜索系统
World File Search SystemEmotions
基于喜欢或钦佩的人的人工智能虚拟导师可以提高学习积极性并培养积极的情绪
摘要 —本文介绍了一项有 134 名参与者的研究结果，该研究旨在探索从与人们喜欢或钦佩的人相似的人工智能生成的虚拟教师那里学习的效果。鉴于教师在塑造学习体验方面发挥的重要作用，以及最近对在线教育的需求激增，我们研究了人工智能生成的教师激发学习的潜力。生成人工智能的最新进展使得根据当今、历史或虚构人物的相似性创建虚拟教师变得容易，从而能够根据材料、背景和学生定制视频教师。我们发现，虽然更高的喜欢和钦佩程度不会导致考试成绩提高，但它们可以显著提高学生的学习积极性，培养更积极的情绪，并提高他们对人工智能生成的教师作为有效教师的评价。
为什么家庭成员拒绝在医疗保健中使用人工智能？竞争 为什么家庭成员拒绝在医疗保健中使用人工智能？竞争 情绪的影响 情绪的影响
摘要 人工智能 (AI) 可以持续监测患者的健康状况，从而提高他们的医疗质量。然而，先前的研究表明，个人抵制这种创新技术。与之前研究个人为自己做决定的研究不同，我们关注家庭成员对人工智能监测的拒绝，因为家庭成员在医疗保健决策中发挥着重要作用。我们的研究调查了情绪对拒绝人工智能监测医疗保健的竞争影响。基于两个基于场景的实验，我们的研究表明，情绪在家庭成员代表父母做决定时起着决定性的作用。我们发现对医疗监测的焦虑和对健康结果的焦虑减少了对人工智能监测的拒绝，而监视焦虑和委托焦虑增加了拒绝。我们还发现，对于个人层面的风险，感知可控性缓和了监视焦虑和拒绝人工智能监测之间的关系。我们通过确定情绪在人工智能监测决策中的竞争作用，为信息系统拒绝理论做出了贡献。我们通过提出焦虑的影响作用扩展了关于为他人做决策的文献。我们还通过确定可控性（设计因素）在人工智能监测排斥中的重要作用，为信息系统的医疗保健研究做出了贡献。
大脑如何变成心智：热力学能够解释情绪的出现和本质吗？
摘要：神经系统的电活动是意识现象学的基础。感官知觉触发与环境的信息/能量交换，但大脑的反复激活保持静止状态，参数恒定。因此，感知形成一个封闭的热力学循环。在物理学中，卡诺发动机是一种理想的热力学循环，它将热量从热库转化为功，或者反过来，需要功将热量从低温库转移到高温库（逆卡诺循环）。我们通过吸热逆卡诺循环分析高熵大脑。其不可逆激活为未来定位提供了时间方向性。神经状态之间的灵活转移激发了开放性和创造力。相反，低熵静止状态与可逆激活平行，可逆激活通过重复思考、悔恨和遗憾强加过去的焦点。放热卡诺循环会降低精神能量。因此，大脑的能量/信息平衡形成了动机，被感知为立场或负面情绪。我们的工作从自由能原理的角度分析了积极和消极情绪以及自发行为。此外，电活动、思想和信念适合于时间组织，这是与物理系统正交的条件。在此，我们提出，对情绪热力学起源的实验验证可能会启发更好的精神疾病治疗方案。
引用本文：Eun Hee Park、Karl Werder、Lan Cao 和 Balasubramaniam Ramesh (2022) 为什么家庭成员拒绝医疗保健中的人工智能？情绪的竞争效应，管理信息系统杂志，39:3，765-792，DOI：10.1080/07421222.2022.2096550
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
建模和预测感知和诱发情绪的比较分析
摘要：声音化是利用声音来传达有关数据或事件的信息。与声音相关的情绪有两种：（1）“感知”情绪，即听众识别声音所表达的情绪；（2）“诱发”情绪，即听众感受到声音所诱发的情绪。尽管听众可能对给定声音的感知情绪有广泛的认同，但他们对给定声音的诱发情绪往往意见不一，因此很难对诱发情绪进行建模。本文介绍了几种预测与某些声音相关的感知和诱发情绪的机器和深度学习模型的开发，并分析和比较了这些预测的准确性。结果表明，为预测感知情绪而构建的模型比为预测诱发情绪而构建的模型更准确。然而，通过优化机器和深度学习模型，可以大大缩小这些模型之间的预测能力差距。这项研究在硬件设备的自动配置及其与物联网环境中的软件组件的集成方面有多种应用，其中安全性至关重要。
推荐引用 推荐引用 冯远月；李晓娜；和张荣凯，“AI主播有感情吗？AI主播积极情绪对消费者购买意向的影响”(2022)。WHICEB 2022 论文集。 31. https://aisel.aisnet.org/whiceb2022/31
本材料由 AIS 电子图书馆 (AISeL) 的武汉电子商务国际会议提供给您。它已被 AIS 电子图书馆 (AISeL) 的授权管理员接受纳入 WHICEB 2022 会议论文集。如需更多信息，请联系 elibrary@aisnet.org 。
通道和特征识别：综述以及基于机器学习的大规模特征提取模型，用于情绪和自闭症分类
自闭症谱系障碍 (ASD) 的特征是社交和认知技能受损、情绪障碍、焦虑和抑郁。传统的 ASD 诊断过程冗长，迫切需要早期进行有意义的干预。最近，不同的研究提出了通过使用深度神经网络 (DNN) 和机器学习算法进行情绪预测来进行 ASD 诊断和干预的潜力。然而，这些系统缺乏通过多个基准数据集进行广泛的大规模特征提取 (LSFE) 分析。需要进行 LSFE 分析来识别和利用最相关的特征和通道进行情绪识别和 ASD 预测。考虑到这些挑战，我们首次分析和评估了一个广泛的特征集，以使用 LSFE 和特征选择算法 (FSA) 选择最佳特征。使用不同的最佳情况 FSA 确定了一组最多八个最合适的通道。还确定了通道和特征的主体重要性。所提出的方法使用线性支持向量机 (LSVM) 分类器进行情绪预测时，最佳准确率、精确率和召回率分别为 95%、92% 和 90%。它还为 ASD 分类提供了 100% 的最佳准确率、精确率和召回率。这项工作利用了文献中迄今为止报告的最大数量的基准数据集 (5) 和主题 (99) 进行验证。本文提出和使用的 LSVM 分类算法的复杂度明显低于最近 ASD 和情绪预测系统中使用的 DNN、卷积神经网络 (CNN)、朴素贝叶斯和动态图 CNN。
教师指南镜像情绪
下一代科学标准•1-LS1-1。使用材料通过模仿植物和/或动物如何使用外部零件来帮助它们生存，成长和满足他们的需求，来设计解决人类问题的解决方案。•MS-LS1-3。使用证据支持人体如何是由细胞组组成的相互作用子系统的系统。•MS-LS1-8。收集并综合信息，即感官受体通过向大脑发送消息以立即行为或存储作为记忆来响应刺激。•HS-LS1-2。开发和使用模型来说明相互作用系统的层次结构组织，这些系统在多细胞生物中提供特定功能，例如响应神经刺激的生物运动。•HS-LS1-3。计划并进行调查，以提供证据，表明反馈机制维持体内平衡。•3-LS3-2。使用证据支持特征可能受环境影响的解释。•3-LS4-2。使用证据来构建解释，以解释同一物种个体之间的特征变化如何在生存，寻找伴侣和再现方面具有优势。•HS-LS2-8。评估群体行为对个人和物种的生存和繁殖机会的作用的证据。•K-12科学教育框架：科学与工程实践1,2,3,8
新冠疫情期间在 TikTok 上支持接种疫苗：疫苗信念、情绪和评论
TikTok 已成为疫情相关信息汇集和传播的最重要社交媒体平台之一。然而，与疫苗接种相关的视觉内容（尤其是支持疫苗的视频）如何影响受众仍不清楚。使用 Betsch 等人的 5C 模型和 Ekman 的基本情绪模型，我们识别了 TikTok 上 #vaccine 标签下的 200 个热门视频，并研究了视频中表达的与疫苗相关的信念和情绪类型以及信念、情绪和支持性评论之间的关系。信心和喜悦分别是最常表达的信念和情绪；信心（B = 14.84，P < 0.05）、惊讶（B = 11.29，P < 0.05）和悲伤（B = 37.49，P < 0.01）可以预测支持性评论的数量。本研究将疫苗犹豫的 5C 框架扩展到社交媒体上支持疫苗的内容分析，并对特定类型的信念和情绪及其影响提供了详细的见解。讨论了如何解决疫苗犹豫的实际意义。
Pantano, E., & Scarpi, D. (2022)。我、机器人、你、消费者：衡量人工智能类型及其对消费者服务情绪的影响。《服务研究杂志》，25(4)，583-600。提前在线出版。https://doi.org/10.1177/10946705221103538
摘要 本研究借鉴了人工智能在服务领域的日益广泛的应用。旨在了解人工智能系统在多大程度上像人类一样具有多种智能类型，以及这些类型是否会在消费者身上引起不同的情绪。为此，本研究采用了两项研究方法：研究 1 建立并评估了用于衡量不同人工智能智能类型的量表。研究 2 评估消费者对不同人工智能智能的情绪反应。研究结果提供了一个衡量不同类型的人工智能与人类智能的量表，从而表明人工智能是可配置、可描述和可测量的（研究 1），并且会影响消费者的积极和消极情绪（研究 2）。研究结果还表明，消费者在与不同类型的人工智能互动时表现出不同的情绪，包括快乐、兴奋、热情、自豪、鼓舞、悲伤、恐惧、愤怒、羞耻和焦虑，以及情感依恋、满足和使用意图。我们的量表建立在人类智能与人工智能智能特征的基础上，同时为未来开发更类似于人类智能的人工智能系统提供指导。