XiaoMi-AI文件搜索系统
World File Search SystemProceedings
ICAR技术系列＃28- BLED 2024诉讼
该信息产品所采用的名称和材料的介绍并不意味着ICAR关于任何国家，领土，城市或地区或其当局的法律或发展状况的任何意见的表达，或者就其边界或边界的界定。提及制造商的特定公司或产品，无论是否已获得专利，并不意味着ICAR赞成或建议这些产品，而不是提及类似性质的其他人。本信息产品中表达的观点是作者的观点，不一定反映了ICAR的观点或政策。
ASME 2024 国际设计会议论文集...
本作品中包含的信息由美国机械工程师学会从可靠来源获得。但是，ASME 及其作者或编辑均不保证本作品中发布的任何信息的准确性或完整性。ASME 及其作者和编辑均不对因使用本信息而产生的任何错误、遗漏或损害负责。本作品的出版基于以下理解：ASME 及其作者和编辑提供信息，但并非试图提供工程或其他专业服务。如果需要此类工程或专业服务，应寻求适当专业人士的协助。
推荐引用 推荐引用 Chang, Tien-Yu 和 Tsaih, Rua-Huan，“使用数据包络分析评估人工智能应用的生态效率”（2024 年）。ICEB 2024 会议论文集（中国珠海）。 13. https://aisel.aisnet.org/iceb2024/13
摘要 本研究使用数据包络分析 (DEA) 开发了一个全面的框架，以评估各个部门 AI 应用的生态效率。通过以输出为导向的 DEA 模型，我们评估 AI 系统如何平衡性能效益与环境影响，并结合多项绩效指标和环境指标。该研究分析了医疗保健、金融和工业部门的数据，使用基准数据和环境评估来确定可持续 AI 实施的最佳实践。预期结果将表明该框架有效地识别了生态高效的 AI 实践，同时强调了数据可用性和不断发展的技术格局的局限性。该研究将有助于从理论上理解 AI 生态效率和实际决策，为组织提供在 ESG 参数内优化 AI 实施的见解，最终推进可持续的 AI 发展实践。关键词：生态效率、人工智能、数据包络分析、ESG。
推荐引用 推荐引用 罗云芳;杨涛；李庆安；刘强；以及崔希玲，“利用生成人工智能揭露 ESG 夸大之词”（2024 年）。 ICEB 2024 会议论文集（中国珠海）。 7. https://aisel.aisnet.org/iceb2024/7
引言近年来，金融业遇到了一种普遍存在的挑战，即漂绿行为。漂绿行为是一种夸大或歪曲公司对环境影响的做法，以给人留下公司比实际更注重环保的印象 (Huang & Chen, 2015)。当环境、社会和治理 (ESG) 报告等正式公共信息加剧信息不对称并增加市场混乱的风险时，就会发生这种情况 (Liu et al., 2024)。夸大其词是漂绿行为的一种常见形式，事实证明，它通过扭曲可持续发展目标的实现和评估来阻碍可持续发展目标的实现 (Cojoianu et al., 2020)。这通常表现为使用过于积极的语言来描述公司的环境、社会或治理绩效，而没有提供足够的支持数据或证据。因此，检测和解决 ESG 报告中的夸大其词至关重要。人工智能 (AI) 正在塑造世界，尤其是像 ChatGPT 这样的生成式人工智能 (GenAI) 的快速发展。金融领域的一些研究已经开始利用人工智能来解决 ESG 报告中的问题。例如，一些研究比较了传统和人工智能驱动的 ESG 评级 (Hughes 等人，2021)。一些研究调查了人工智能对漂绿和可持续发展报告的影响 (Moodaley & Telukdarie, 2023)。Yang 等人 (2021) 发现 ESG 披露降低了公司债券信用利差，降低了风险并增强了投资者信心，而 Biju 等人 (2023) 使用 MAXQDA 软件将 ESG 的情绪得分与漂绿的看法联系起来。这些研究表明了在分析 ESG 报告中应用人工智能的可能性和潜力。因此，本研究受到启发，充分利用人工智能，尤其是 GenAI，来评估 ESG 报告中的夸大行为 (Jain 等人，2023)。尽管先前的研究已经研究了审查和评估 ESG 报告的各种技术，但识别夸大断言的难度仍然没有得到充分研究，尤其是在使用最先进的人工智能技术时。此外，即使公司可能在其 ESG 报告中使用“极端”、“完整”或“最高”等形容词，但这并不总是意味着他们夸大了他们的成就；事实上，一些公司可能在这方面表现出色。因此，仅依靠 ESG 报告中的术语无法彻底确定公司是否夸大了他们的主张。GenAI 的优势在于能够通过分析上下文细节来辨别是否有合理的理由怀疑夸大。本研究旨在通过利用 GenAI 来检测 ESG 报告中的夸大描述，从而弥补这一差距，从而更准确、更稳健地评估企业可持续发展绩效。我们采用三种不同的即时工程策略，即零样本、少量样本和思路链 (COT) 来分析一组 ESG 报告。此外，我们还将该方法与传统文本分析技术和人类智能进行交叉验证。这
NAPRRS NC229 ICSVD 会议记录
1994 年，Jay 接受了位于内布拉斯加州林肯市的 SmithKline Beecham Animal Health (SBAH) 的研究职位。一年后，辉瑞收购了 SBAH。2012 年，辉瑞剥离其动物保健部门，成立了 Zoetis，他至今仍在卡拉马祖担任研究主管。Jay 于 1994 年开始研究 PRRS，从未停止。20 世纪 90 年代末，他确定了 PRRSV-2 病毒的第一个全长序列之一，并于 1998 年完成了第一个全长 cDNA PRRSV-2 感染性克隆。GFP 表达版本，昵称 Kermit，是他将 CD163 描述为 PRRSV 的重要受体的关键。“Kermit”和其他试剂在整个 PRRS 研究界的分布加速了几项重要发现。
SAIP 2024会议录，南非物理研究所第68届年度会议SAIP 2024会议录，南非物理研究所第68届年度会议
凝结物和材料的物理学23•CRMNal合金中顺磁和铁磁相变温的临界行为。。。。。。。。。。。。。。。。。。。。。。。。。。。。24•pH对通过热液法制备的赤铁矿α -FE 2 O 3的结构，形态和光学特性的影响。。。。。。。。。。。。。。。。。。。。32•Fe-CO-NB软磁合金的地面结构，磁性和弹性特性：簇扩展方法。。。。。。。。。。。。。。。。。。。。38•关于Fe和Ni掺杂NAMNPO 4作为钠离子电池的阴极材料的密度功能理论研究。。。。。。。。。。。。。。。。。。。44•探索碱性氧气电池中暴露于氧气后的β-12和CHI-3硼苯基阴极稳定性：一项第一原理研究。。。。。。。。。50•Mn掺杂对Cr 2 O 3纳米颗粒的结构和特征的影响。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。58•使用第一原理计算和实验方法的Ti 70 -nb 10 -ta 15 -ZR 5合金的弹性模量的研究。。。。。。。。。。。。。。。。。。。。。。。。64•在聚乙烯中蚀刻铝的离子轨道蚀刻微孔的结构特性，该元素通过电子底沉积与铝结合。。。。。。。。。。。。。。。。。。。。。70•TOF-SIMS和AES研究从多晶铜中脱离依赖。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。78•机器学习驱动的有机无机钙钛矿的优化用于太阳能电池应用。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。84
推荐引用 推荐引用 Hardarson, Emil；Ivarsson, Frida；Islind, Anna Sigríður；Arnardóttir, Erna Sif；Óskarsdóttir, María，“人机协作：从可解释的 AI 到共同创造意义”（2024 年）。ACIS 2024 会议论文集。 148. https://aisel.aisnet.org/acis2024/148
随着人工智能在决策中的应用越来越广泛，了解人类和人工智能系统如何有效协作变得越来越重要。人机协作的一个方面是可解释的人工智能 (XAI)，旨在使人工智能系统做出的决策为人类所理解。本文介绍了人机协作中 XAI 的框架视角。根据这一理论，我们提出了从基于说服的 XAI（人类被动接受算法解释）向 XAI 中的共同创造（人类和人工智能协作创造有意义的解释）的转变。我们通过框架分析来推动这一转变，将传统的 XAI 开发与睡眠医学中关于 XAI 的观点的经验数据进行对比。本文通过一种更具互动性和情境感知的 XAI 方法为增强人机协作提供了新的见解。
推荐引用 推荐引用 Ouyang, Chenlu 和 Xu, David, “AI 视频摘要有帮助吗？AI 生成的视频摘要的效果”(2024)。ACIS 2024 会议纪要。 120. https://aisel.aisnet.org/acis2024/120
生活节奏的加快和短视频的蓬勃发展挤压了在知识传播中扮演重要角色的长视频的生存空间。为了解决这一困境，视频摘要被提出来促进视频观看和知识获取。而人工智能的出现使这一解决方案成为可能。我们认为人工智能生成的视频摘要可能会减少获取信息的努力，但逻辑混乱和信息丢失可能会降低获取的信息质量。基于努力-准确性框架，对信息质量要求不同的用户对有/无人工智能摘要的视频会有不同的反应。因此，我们计划进行实验室实验，探索人工智能摘要是否以及如何增加用户的视频观看意愿。此外，我们还将研究人工智能摘要的使用是否影响知识获取质量。我们希望加深对人工智能视频摘要使用的理解，并提供如何使其有效工作的见解。
推荐引用 推荐引用 Podder, Itilekha 和 Bub, Udo，“一种可解释的人工智能框架，用于改进半导体制造：一种设计科学研究方法”（2024 年）。ACIS 2024 会议论文集。88. https://aisel.aisnet.org/acis2024/88
半导体制造业正在经历一场数据驱动的革命，推动力来自电子设备和智能技术的进步。这种转变显著增加了数据的数量、速度和种类，从而增强了知识提取和流程优化。然而，传统的解决方案，例如“跨行业数据挖掘标准流程”、“数据库中的知识发现”和“团队数据科学流程”，不足以解决实时分析、高维数据和特定领域的挑战。为了弥补这些差距，我们引入了一个将可解释的人工智能与设计科学研究方法相结合的新框架。该框架的主要贡献包括实时处理能力、领域知识的集成以及人工智能 (AI) 模型的增强透明度，从而确保准确且可解释的决策。该框架通过晶圆图聚类展示，为实施数据挖掘和人工智能项目提供了全面、行业特定的系统指导，提供了高效、易于理解的解决方案，可以改善半导体制造。
