XiaoMi-AI文件搜索系统
World File Search SystemKahneman
行为经济学和市场经济行为与消费者决策的心理学
行为经济学探讨情感、社会和认知因素对消费者经济行为和决策的影响。当代新古典经济理论基于这样的论点：消费者的目标是最大化他们的利润，并且根据该目标，消费者会采取理性的行为。由于市场上存在消费者非理性行为和做出错误决策的情况，行为经济学的任务就是解释预期的偏离新古典经济理论所倡导的理性消费者行为的情况。本文的目的是阐明行为经济学如何研究消费者的决策方式，即解释市场中消费者的经济行为。行为经济学是经济学与心理学的结合，它解释了人类作为市场买方的行为心理。企业和营销专家受益匪浅，因为行为经济学可以帮助他们更准确地评估消费者，发现他们的动机以及他们的愿望。行为经济学是经济学中一个极其重要的分支，因为它论证了市场中消费者的一切经济行为都是消费者自身美德、恶习和其他心理情感的结果，而不是新古典经济学理论所主张的理性行为的结果。 2002年诺贝尔经济学奖得主丹尼尔·卡尼曼和韦蒙·洛马克斯-史密斯为行为经济学的发展做出了贡献。
常识性推理的自动驾驶汽车系统
对于学术和行业研究，自1980年代以计算机视觉为中心的系统的引入以来，AV技术已经取得了令人难以置信的进步[3]。在这里，本文将为自动驾驶汽车提供一些正式的定义。根据自动化水平，SAE国际自动驾驶汽车定义为六个不同的级别，其中0级没有AU量，并且5级是完全驾驶自动化[6]。尽管AV研究是一个经过充分探索的领域，但仍然没有5级或完全自主的车辆。这在很大程度上是由于计算机视觉系统的缺陷以及需要人类驾驶员存在的更复杂驾驶任务的复杂性。对于安全至关重要的系统，例如AV系统，无法造成小错误。为此，重要的是，AV系统可以根据对周围环境的准确解释做出安全有理的决策。在AV系统的感知端有几种技术，例如光检测和射程（LIDAR）系统和基于摄像机的系统。这些系统与深度学习技术（例如卷积神经网络（CNN））相结合，这些技术用于对传感器数据进行分类[14]。但是，像所有机器学习系统一样，由于噪声，训练数据之外的场景，传感设备的退化以及其他外部因素，误导始终可能发生错误分类。Kahneman在2011年提出的两种系统思维类型[11]。第一个是“系统1”，它是快速，本能和情感思维。因此，AV系统应朝着使用混合AI系统或将深度学习与逻辑推理结合的AI迈进，以帮助减轻完全基于深度学习的方法的失败和缺点。第二个是“系统2”，它是缓慢，有意和逻辑的。对于人类驾驶员，我们在驾驶场景中使用这两个系统。使用System 1 Thinking迅速完成我们周围的对象，并进行较小的驾驶操作。但是，当我们遇到一个不熟悉或危险的情况时，我们使用系统2思考来确定一种安全的方式来驾驶这种情况。在最佳的混合AV系统中，快速系统的1个任务（例如感知和分类）应通过深度学习来处理，而缓慢的系统2任务应通过综合推理来处理。推理系统也可以用于对
可重现的WISDM：使用标准化的开放数据
我们对他人的印象的能力取决于在不确定性下提供的信息，因此我们使用启发式法来做出判断和决定（Tversky and Kahneman，1974）。这种印象形成与刻板印象有关：例如，图像可以而且经常体现和永久化性别刻板印象（Coltrane and Adams，1997; Len-Ríos等，2005; Rodgers and Thorson，2000）。男女的视觉代表塑造了我们对性别角色的心理表征，并可以加强或稳定它们 - 数字和模拟媒体，例如报纸，杂志，电视和社交媒体，可以在刻画中归因于严格的作用，在刻画中归因于妇女的性行为，并在男性中比男性更大（Courtney and Lockere and Lockeretz and lockeretz and Milers and Mirers; and and and and and and; and; and; and; and; and； Biocca，1992; Zotos and Tsichla，2014年）。，但在男人和女人的描绘中，即使是简单的风格差异也可能已经巧妙地延续了性别偏见（Archer等，1983； Blumberg，2008； Grau和Zotos，2016）。例如，在线媒体中，女性政治家的代表性影响了选民对她们感知的能力和讨人喜欢的影响（Bligh等，2012），面部突出的变化导致女性对智力的评价较低（Archer等，1983）。自动处理大量潜在偏见的信息一直是近年来在交流研究中特别感兴趣的话题（Goldman，2008； Noble，2018； O'Neil，2017）。这些决定的输出塑造了我们的社会现实（Just and Latzer，2017； Noble，2018）及其对公民和机构的影响数字文化和新媒体研究正在将数据移至其学术叙事的中心；具体而言，媒体平台（例如社交媒体和搜索引擎）的数据现在被视为文化研究对象（Schäfer和van es，2017年）。在这个新范式的背景下，算法的转换和问责制的问题通常是关于平台利用的辩论的最前沿，尽管通常由于其“黑匣子”依赖性，异质性和嵌入性而无法理解，因此在更广阔的系统中（Crawford，2016年Crawford，2016; Kitchin; Kitchin，2017; kitchin; kitchin，2017; reshle; kitchin; kitchin; kitchin; kitchin; kitchin; 2017; reshle;搜索引擎提供商，例如Google或Bing，由于其作为守门人的角色而受到了学术审查：他们通过过滤和排名在网上可用的信息来源来决定内容的相关性（Laidlaw，2010； Schulz等，2005； Wallace，2018）。
代表性和面部主义：图像搜索中的性别偏见
我们对他人的印象的能力取决于在不确定性下提供的信息，因此我们使用启发式法来做出判断和决定（Tversky and Kahneman，1974）。这种印象形成与刻板印象有关：例如，图像可以而且经常体现和永久化性别刻板印象（Coltrane and Adams，1997; Len-Ríos等，2005; Rodgers and Thorson，2000）。男女的视觉代表塑造了我们对性别角色的心理表征，并可以加强或稳定它们 - 数字和模拟媒体，例如报纸，杂志，电视和社交媒体，可以在刻画中归因于严格的作用，在刻画中归因于妇女的性行为，并在男性中比男性更大（Courtney and Lockere and Lockeretz and lockeretz and Milers and Mirers; and and and and and and; and; and; and; and; and； Biocca，1992; Zotos and Tsichla，2014年）。，但在男人和女人的描绘中，即使是简单的风格差异也可能已经巧妙地延续了性别偏见（Archer等，1983； Blumberg，2008； Grau和Zotos，2016）。例如，在线媒体中，女性政治家的代表性影响了选民对她们感知的能力和讨人喜欢的影响（Bligh等，2012），面部突出的变化导致女性对智力的评价较低（Archer等，1983）。自动处理大量潜在偏见的信息一直是近年来在交流研究中特别感兴趣的话题（Goldman，2008； Noble，2018； O'Neil，2017）。这些决定的输出塑造了我们的社会现实（Just and Latzer，2017； Noble，2018）及其对公民和机构的影响数字文化和新媒体研究正在将数据移至其学术叙事的中心；具体而言，媒体平台（例如社交媒体和搜索引擎）的数据现在被视为文化研究对象（Schäfer和van es，2017年）。在这个新范式的背景下，算法的转换和问责制的问题通常是关于平台利用的辩论的最前沿，尽管通常由于其“黑匣子”依赖性，异质性和嵌入性而无法理解，因此在更广阔的系统中（Crawford，2016年Crawford，2016; Kitchin; Kitchin，2017; kitchin; kitchin，2017; reshle; kitchin; kitchin; kitchin; kitchin; kitchin; 2017; reshle;搜索引擎提供商，例如Google或Bing，由于其作为守门人的角色而受到了学术审查：他们通过过滤和排名在网上可用的信息来源来决定内容的相关性（Laidlaw，2010； Schulz等，2005； Wallace，2018）。
对危机响应团队协作工具的回顾...
军队和政府危机响应团队协作工具回顾 George Edw.Seymour Michael B. Cowen 摘要 军队如今在行政和战术上都使用协作工具。本报告旨在探索协作工具使用的近期和当前状态，以便为未来的危机响应提供建议。换句话说，当团队成员无法驻留在同一个物理工作空间中时，哪些基于 Web 的工具可以“最好”地支持小团队互动和工作？我们使用了两种方法，即临时研究和系统文档搜索，来确定值得审查和考虑用于军队和政府危机响应的商业和专有协作工具。在本报告中，我们报告了 64 种协作技术和工具，其中 37 种由美国军方和政府使用。协作技术和工具分为三类：(a) 用于设计、开发或增强协作工具的现代协作技术，(b) 军队或政府正在使用的协作工具，以及 (c) 建议军队或政府考虑用于危机应对的协作工具。已确定的工具或技术按功能进行描述，并分析其改善危机行动小组协作的潜力。目标 本报告旨在探讨政府和军事组织以前和现在对商用现货 (COTS) 和政府现货 (GOTS) 协作工具的使用情况。1 本报告寻求当前的理解和更广泛的视角，而不是对特定工具的深入分析，因为这些工具及其使用会随着时间的推移而发生惊人的变化或发展。与几十年前不同，美国政府（包括所有军种）今天在行政和战术上都使用互联网运作。毫不奇怪，公共部门的计算机和互联网用户比例高于私营部门（劳工统计局，2005 年），而且互联网的使用越来越多地涉及商业协作工具。因此，探索协作工具使用的近期和当前状态以提供未来建议将大有裨益。一个合理的目标可能是提出这样一个问题：当团队成员无法驻留在同一个物理工作空间中时，支持小团队互动和工作的“最佳”基于 Web 的工具是什么？Kahneman，2003 年）。对各种协作工具的快速回顾无法解决这个问题。这项研究也没有解决使用协作工具的好处，尽管值得注意的是，Ford、Hogan 和 Perry (2002) 认为大多数复杂的工作都涉及决策，而且我们的决策空间往往受到有限理性的限制（参见同样，协作工具的可靠性和验证超出了这项工作的范围，尽管 Powers (2004) 和 Noble 和 Letsky (2003) 已经解决了这些基本主题。最后，本报告没有涉及远程沉浸式体验等未来协作技术，也没有涉及 GroupSystems 等协作流程工具。