XiaoMi-AI文件搜索系统
World File Search SystemPreferences
调查教师的偏好和界限......
摘要。编排工具可以支持 K-12 教师促进学生学习，尤其是在旨在满足课堂利益相关者的需求时。我们之前的工作表明，在课堂上动态配对学生进行协作学习时，需要人机共享控制，但对每个代理应扮演的角色提供的指导有限。在本研究中，我们设计了故事板，用于当使用基于 AI 的自适应数学软件进行个人和协作学习时，教师、学生和 AI 共同编排动态配对的场景。我们调查了 54 名数学教师的共同编排偏好。我们发现，教师希望与 AI 共享控制权，以减轻他们的编排负担。此外，他们希望 AI 提出带有解释的学生配对，并识别有风险的配对提议。然而，即使老师很忙，他们也不愿意让 AI 自动配对学生，也不太愿意让 AI 覆盖老师提出的配对。我们的研究有助于了解教师与人工智能和学生分享学生配对任务和控制权的需求、偏好和界限，以及人机协同工具的设计含义。
信息在消费者对Eco- ...
消费者对从遗传改善和植物育种创新产生的产品的偏好通常由技术恐惧症和负面的公共想象力来调节。当前的研究通过分析消费者在维特文化领域的双赢创新（为私人演员和社区产生收益）的货币偏好来解决这个问题，即抗真菌抗真菌葡萄（FRG）。这些葡萄的使用减少了适用于葡萄园的化学投入的数量，同时改善了公司的经济绩效。本研究旨在评估消费者是否更喜欢源自FRG品种而不是传统葡萄酒的葡萄酒。尤其是，通过涉及627种意大利葡萄酒饮用者的实验性在线调查，该研究将个人愿意支付的意愿（WTP）与WTP与WTP进行了与WTP相比，该葡萄酒的两种FRG葡萄酒使用两种不同的技术生产：园艺杂交和基因组编辑。这项研究还通过测试，在避孕间实验设计，两个不同的（正/负）信息情景以及这些偏好的核心驱动因素中测试，评估了两极分化媒体覆盖对偏好的潜在影响。调查结果表明，与传统葡萄酒（+9.14％）相比，受访者表达了园艺FRG葡萄酒的预先价格，基因组编辑的FRG葡萄酒（–21.13％）的折扣很高。结果还表明，否定信息减少了消费者的园艺FRG葡萄酒的WTP，而积极的信息则增加了对基因组编辑的FRG葡萄酒的WTP。最后，该研究强调，关心食品可持续性问题和对葡萄酒的知识渊博的人更有可能接受两种FRG类型。总体而言，该研究证实了适当信息在基于植物遗传学的创新中的关键作用，以实现在葡萄酒生产中采用可持续的减虫习惯。
后期助后护理练习医生计划对学生偏好和能量使用的分析
波士顿学院超过32％的能源法案用于天然气和石油，该天然气和石油用于在整个校园内加热教室和宿舍。在2018年对波士顿大学工作订单系统进行评估的先前研究中，确定尽管学生实际上对波士顿学院建筑物中的室温毫无意义，但个人还不足以保证工作订单”（Kang等人，2018年）。但是，自进行这项研究以来已经三年了，卑诗省学生经常表达的一个常见问题是教室太冷或太热了。因此，我们的研究旨在通过确定波士顿大学教室中是否存在明显的过度热量或过度冷却问题来评估波士顿学院在富尔顿霍尔，加森·霍尔（Gasson Hall）的教室中的能量使用。此外，我们的主要目标不是专注于修改工作订单系统，而是确定是否需要更改和/或修改BC使用的HVAC系统，以支持波士顿学院的学生的偏好，并改善教室中的能量使用。为了进一步评估这个问题，我们的研究主要关注以下四个研究问题：
动态经济中的位置偏好和效率
摘要。本文基于内生增长模型，描述了位置偏好不会引起跨期扭曲的条件，并推导出在这些条件不满足的情况下的最佳税收政策反应。在我们的模型中，个人在消费和财富方面都具有位置性，相对关注部分反映了与其他国家人民的比较，我们区分了（传统）福利主义政府和不尊重位置偏好的家长制政府。我们还将分析扩展到多国框架，并表明地方家长制政府之间的纳什竞争导致全球社会最优，而地方福利主义政府之间的纳什竞争则不会。
探索受众对数据的看法和偏好...
摘要尽管数据驱动的“定量”新闻的数量和可见性增加了，但对观众的感知和评估方式知之甚少。这项研究通过分析定量新闻的特征来帮助解决这一差距，这是31个新闻消费者的各种各样的群体关注他们偏好可能存在的那些特征，并在这些特征中。在八次小组访谈中，参与者阅读和讨论了被选为代表数据驱动新闻的形式和生产中存在的多样性的文章。我们的分析揭示了28个感知标准，我们将我们分为四个主要类别：感知，情感和认知影响的先例，文章统计以及新闻和编辑价值。在对定量新闻的感知的先前研究中尚未使用几个标准。我们的标准在未来的研究中有明显的应用，即观众如何感知不同类型的定量新闻，包括借助自动化的新闻业。对于研究受众的看法和对新闻的评估的研究人员来说，标准也将很感兴趣。对于记者和其他与数字交流的人，我们的发现表明受众可能从数据驱动的新闻业中想要什么，包括它具有建设性，简洁，提供分析，具有人体角度，并包括视觉元素。
理想的鼻偏好-Thieme Connect
抽象背景尽管在面部整形手术中，但理想的鼻腔特征是由平均欧洲裔美国人面部特征（称为新古典大炮）定义的，但许多种族并不认为这些特征是合适的。研究了鼻腔角，鼻角角，背高度，Alar宽度和鼻尖投影的偏好的方法，向三级大学医院的面部塑料诊所的203名志愿患者展示了一个男性和一名女性模型的操纵图片。结果最优美的鼻叶角为137.64 4.20度，女性为133.55度4.53度。急性鼻叶角度更为可取。最优选的鼻角角分别为107.56度和98.92度4.88度。年龄在19至24岁之间的志愿者更喜欢更多急性男性鼻角角。在性别中，直角背是最可取的（分别为0.03 0.78和0.26 0.75 mm）。理想的男性和女性alar宽度为 - 0.51 2.26和 - 1.09 2.18毫米，分别为2.18毫米。更多的45至64岁的志愿者更喜欢等于圆顶距离的Alar宽度。理想的女性和男性尖端投影分别为0.57 0.01和0.56 0.01。结论结果表明，伊朗普通患者对两种性别的鼻孔更喜欢较薄的鼻孔鼻子。然而，理想的鼻角角，背高和尖端投影与新古典大炮一致。除种族差异外，鼻美的趋势还受到性别，年龄和先前的审美手术史的影响。
消费者忠诚度期望和偏好年度报告
年轻消费者并非天生忠诚度较低，但他们对自己所忠诚的品牌更加挑剔。年轻消费者更换计划时，往往出于几个关键原因。最常见的因素包括更有吸引力或更有价值的获得财务奖励的方式、获得非财务利益的途径更多以及计划结构更简单。这些方面再次表明忠诚度计划基础仍然很重要，因为价值和简单性是所有年龄段最重要的属性，也是消费者转向竞争对手计划的主要原因。为了吸引、吸引和留住所有年龄段的忠诚会员，零售商应继续提供财务价值和简单性，同时探索增加数字驱动、面向社区的功能的机会。
增强人类偏好的学习
设计奖励功能的复杂性一直是深入强化学习（RL）技术的广泛应用的主要障碍。描述代理商的所需行为和属性也可能很困难。一种新的范式，称为从人类优先（或基于偏好的RL）学习的强化学习已成为有前途的解决方案，其中从BE-HAVIOR轨迹之间从人类偏好标签中学到了奖励功能。但是，现有的基于首选项的RL的方法受到准确的Oracle首选项标签的限制。本文通过开发一种从各种人类偏好中学习的方法来限制这种局限性。关键思想是通过在潜在空间中的规范和纠正来稳定奖励学习。为了确保时间一致性，对奖励模型施加了强大的限制，该模型迫使其范围的空间接近非参数分配。此外，基于置信的奖励模型结合方法旨在产生更稳定和可靠的预测。对DMCON-trol和Meta-World中的各种任务进行了测试，并在从不同的反馈中学习时，对现有基于首选项的RL算法显示出一致且显着的改进，为RL方法的现实世界应用铺平了道路。
驾驶员对仪表板照明水平的偏好
本报告确定了驾驶员对仪表盘亮度/对比度水平的偏好。共有 30 名驾驶员（10 名年轻美国人、10 名老年美国人和 10 名日本人）参与。在密歇根州安娜堡 17 英里路线的 9 个地点获得了判断（最小、首选、最大和耀眼）。每位驾驶员都针对 5 种测试条件（白天 - 电子除尘器，带和不带太阳镜；夜间 - 电子、绿色模拟和白色模拟集群）提供了判断。对比度方差分析 (ANOVA) 显示，夜间 3 个集群之间存在显著差异（电子=l78:1、绿色=82:l 和白色=51:l）。t 检验显示带太阳镜（14:l）和不带太阳镜（1 1:1）的电子面板之间存在显著差异。对于 5 种情况（戴太阳镜、不戴太阳镜、电子、绿色和白色），首选比率分别为 14:1、11:1、186:1、77:1 和 441。正如预期的那样，从低到高的对比度判断顺序为最小（30:1）、首选（67:1）、最大（84:1）和耀眼（88:1）。但是，最大和耀眼的判断并没有显著差异。这是集群有限亮度范围的函数，因为 30% 的时间最高设置不足以达到最大判断，67/0 的时间它不足以达到耀眼。因此，这两个判断的对比度被低估了。年轻人（64:1）和老年人（70:1）美国人之间存在差异，但美国男性和女性或美国和日本司机之间没有差异。为对比而开发的预测方程至少解释了首选、最大和令人眼花缭乱的判断的 84% 的变异性。