XiaoMi-AI文件搜索系统
World File Search SystemMeasuring
从工具到盗贼：通过众包隐喻来衡量和理解对AI的公众看法
图3。随着时间的推移，隐式感知得分的总体变化（顶部）。 阴影反映95％CI。 每个月（x轴），左y轴是平均温暖和能力，在[-1，1]范围内；正确的Y轴是按月按月拟人形态隐喻的百分比。 我们发现，随着时间的流逝，拟人化和温暖的隐喻在频率上的增加，而胜任的隐喻随着时间的流逝而减少。 具有统计学上显着的时间变化的主要隐喻（|𝑟|> 0。 3，𝑝<0。 05）（底部）。 每条线代表主要比喻的一个月患病率，该比喻是根据其拟人化的百分比（群集中拟人化的隐喻百分比）进行的。 我们发现拟人化的隐喻正在增加，而非拟人化隐喻随着时间的流逝而减少。 阴影反映了3个月的滚动平均值。随着时间的推移，隐式感知得分的总体变化（顶部）。阴影反映95％CI。每个月（x轴），左y轴是平均温暖和能力，在[-1，1]范围内；正确的Y轴是按月按月拟人形态隐喻的百分比。我们发现，随着时间的流逝，拟人化和温暖的隐喻在频率上的增加，而胜任的隐喻随着时间的流逝而减少。具有统计学上显着的时间变化的主要隐喻（|𝑟|> 0。3，𝑝<0。05）（底部）。每条线代表主要比喻的一个月患病率，该比喻是根据其拟人化的百分比（群集中拟人化的隐喻百分比）进行的。我们发现拟人化的隐喻正在增加，而非拟人化隐喻随着时间的流逝而减少。阴影反映了3个月的滚动平均值。
测量蛋白质-DNA 凝聚物中的桥接力
蛋白质-DNA 凝聚物介导转录并调节基因表达以及 DNA 复制和修复。稳定凝聚物的分子间桥接力在这些过程中起着直接作用。在这里，我们使用光镊来测量桥接力。在鱼精蛋白存在的情况下，在两个微珠之间连接的 20.5 knt 单链 DNA (ssDNA) 上观察到单个凝聚物。拉伸产生具有锯齿状图案的力曲线，表明凝聚物是通过单个鱼精蛋白-ssDNA 桥的连续断裂而分解的。桥接力为 11.3 ± 4.6 pN，单个桥的展开长度为 1.3 ± 0.8 µm。相反，双链 DNA (dsDNA) 形成鱼精蛋白桥接缠结，可以承受足够高的力 (~55 pN) 以分离链。 ssDNA 通过在回缩时过度拉伸种子缠结形成，在 dsDNA 的缺口处追踪未剥离的部分，但初始凝聚物具有足够的 ssDNA 与 dsDNA 比率以呈现液体状，如随后拉伸中的锯齿状图案所示。dsDNA 的存在将桥接力提高到 34 ± 8 pN，在添加外部 ssDNA 后恢复到 ~10 pN。根据这些单分子结果，鱼精蛋白-dsDNA 混合物形成固体状聚集体，需要添加 ssDNA 才能变成液滴。相反，添加 dsDNA 会减慢鱼精蛋白-ssDNA 液滴的融合。这项工作展示了桥接力的首次测量，并表明 ssDNA 与 dsDNA 比率可以调整蛋白质-DNA 凝聚物中桥接力的大小。
衡量战略不确定性态度
摘要：战略不确定性是参与者在互动决策情境中面对其他参与者有目的的行为时所面临的不确定性。本文开发了一种新方法来衡量战略不确定性态度，并将其与风险和模糊态度区分开来。我们以其他条件不变的方式在不同条件下改变不确定性的来源（无论是否具有战略性）。我们得出参与两个战略 2x2 游戏（猎鹿游戏和市场进入游戏）的确定性等价物，以及产生相同可能收益的相关彩票的确定性等价物，这些彩票具有外生给定的概率（风险）和具有未知概率（模糊性）。我们提供了一个不确定性态度的结构模型，使我们能够衡量对不确定性来源的偏好或厌恶，以及对期望结果的乐观或悲观态度。我们记录了对不同情况下战略不确定性的系统态度。在战略互补性 [替代性] 下，大多数参与者倾向于对期望结果持悲观 [乐观] 态度。然而，对不确定性来源的偏好分布在零附近。关键词：风险态度、模糊态度、战略不确定性态度、猎鹿游戏、市场进入游戏 JEL 代码：C72、C91、C92、D81
衡量AI系统中的政治偏好
i使用类似的方法来确定LLM产生的语言是否更类似于与美国国会在国会言论中通常与民主党或共和党成员相关的术语。为此，我得出了两组1,000个两个单词术语（即Bigrams），其党派对比度很高（由一个政党的代表高度使用，在美国国会言论中，另一方的代表使用了相对较少的代表使用）。（有关详细信息，请参见方法论附录。）图1通过显示各方与另一方相对于其同行的各方高度使用的术语来显示该分析的结果。该数字清楚地表明，民主党成员在讲话中不成比例地指的是负担得起的护理，枪支暴力，非洲裔美国人，家庭暴力，最低工资和投票权；共和党人不成比例地强调了平衡的预算，南部边境，非法移民，宗教自由，创造者，税收增加，政府支出和国防。
我们学到多少？测量通过选择与贝叶斯更新的对称和不对称偏差
ilke aydogan：i.aydogan@ieseg.fraurélienbaillon：baillon@em-lyon.com emmanuel kemel：emmanuel.kemel@gemel@greg-hec.com chen li：c.li@ese@ese.eur.nl，我们感谢Peter Wakker和Han Bleichrodt和Han Bleichrodt的帮助和讨论。Baillon承认NWO Vidi Grant 452-13-013的财务支持。Aydogan承认该地区Haut-De-France（2021.00865 Clam）和欧盟的Horizon Horizon Europe Research and Innovation计划，根据Grant协议（101056891具有能力）。li感谢NWO Veni Grant VI.Veni.191E.024的财务支持。1 See, for instance, Phillips and Edwards ( 1966 ), Edwards ( 1968 ), Tversky and Kahneman ( 1974 ), El-Gamal and Grether ( 1995 ), Oswald and Grosjean ( 2004 ), Möbius, Niederle, Niehaus, and Rosenblat ( 2022 ), Bén- abou and Tirole ( 2016 ), Ambuehl and Li ( 2018 ).
衡量金融部门的气候和环境风险
在这种情况下，本研究旨在提供有关衡量气候和环境风险的不同方法的看法，重点是金融和保险部门。为此，该论文以四个部分结构，目的是：（i）总结有关C＆E风险测量的监督要求； （ii）讨论可用于测量物理和过渡气候风险的不同定量方法，具体取决于投资组合的性质； （iii）提出了解决环境风险量化的方法； （iv）通过对过渡气候风险影响公司债券投资组合的测量结果进行的案例研究显示了所述方法的应用。
衡量金融部门的气候和环境风险
衡量金融投资组合中过渡风险的方法使用这些方案来估计对交易对手信用质量和资产价值的影响。对于公司贷款组合，该方法将采用部门敏感性分析来评估每个公司的脆弱性，并根据其过渡风险的暴露。此分析以自适应能力最低的能力确定对手，从而计算对默认可能性和默认情况下损失的影响。同样，对于金融资产投资组合，估值模型用于估计过渡风险对公司和政府债券和股票的影响，从而使投资组合进行调整以反映这些风险。
注意域间隙：测量实际驱动开发的现实世界和合成点云之间的域间隙
摘要由于典型的长尾数据分布问题，模拟无域间隙合成数据对于机器人技术，摄影测量和计算机视觉研究至关重要。基本挑战涉及可靠地衡量真实数据和所谓数据之间的差异。这样的措施对于安全至关重要的应用（例如自动驾驶）至关重要，在这种应用中，在此驾驶中可能会影响汽车的感知并造成致命事故。以前的工作通常是为了在一个场景上模拟数据并在不同的现实世界中分析性能，阻碍了来自网络缺陷，类别定义和对象代表的域差距的不相交分析。在本文中，我们提出了一种新的方法，用于测量现实世界传感器观测值和代表相同位置的模拟数据之间的域间隙，从而实现了全面的域间隙分析。为了测量这种域间隙，我们引入了一种新型的公制狗PCL和评估模拟点云的几何和语义质量的评估。我们的实验证实了引入的
测量士兵的认知负荷
Chapter 5 – Results: Metrics and Measures 5-1 5.1 Introduction 5-1 5.2 Physiological Measures 5-1 5.2.1 Cardiovascular – Heart Rate Variability (HRV) 5-1 5.2.2 Endocrine/Lymphatic – Metabolic Markers 5-2 5.2.2.1 Cortisol 5-2 5.2.2.2 Nitrate 5-4 5.2.3 Endocrine/Lymphatic – Electrodermal Activity (EDA) 5-4 5.2.4 Nervous System / Neuromotor – Electroencephalography (EEG) 5-5 5.2.5 Nervous System / Neuromotor – fNIRS 5-6 5.2.6 Nervous System / Neuromotor – Thermography 5-7 5.2.7 Nervous System / Neuromotor – Pupillometry 5-7 5.2.8 Nervous System / Neuromotor – Eye Movements and Fixations 5-8 5.2.9 Musculoskeletal – Blink Rate 5-9 5.2.10肌肉骨骼 - 肌电图（EMG）（手臂和面部）5-10 5.2.11肌肉骨骼 - 姿势稳定性5-10 5.2.12肌肉骨骼 - 步态5-11 5-11 5.2.13肌肉骨骼 - 头部倾斜5-12