XiaoMi-AI文件搜索系统
World File Search SystemSOCIETAL
教育中的人工智能 (AI)：解决 K-12 环境中的社会和道德挑战
摘要：人工智能 (AI) 结合了算法、机器学习和自然语言处理的应用。AI 在教育领域有多种应用，例如自动评估和面部识别系统、个性化学习工具和微博系统。这些 AI 应用有可能通过支持学生的社交和认知发展来提高教育能力。尽管具有这些优势，但 AI 应用仍存在严重的伦理和社会缺陷，而这些缺陷在 K-12 教育中很少被考虑。将这些算法融入教育可能会加剧社会现有的系统性偏见和歧视，使来自边缘化和服务不足群体的学生的隐私、自主权和监视问题长期存在，并加剧现有的性别和种族偏见。在本文中，我们探讨了 AI 在 K-12 教育中的应用，并强调了它们的道德风险。我们引入教学资源，帮助教育工作者应对整合人工智能的挑战，并提高 K-12 学生对人工智能和道德的理解。本文最后提出了研究建议。
2019-2020 年美国重度抑郁症的经济负担：社会视角
• 假设市场渗透率为 100%，使用假设的早期反应率（汉密尔顿抑郁量表 17 项改善≥50%）分别为 40%、60% 和 80%，而目前标准治疗的早期反应率为 20% 4 ，评估了新疗法的影响 • 假设市场渗透率为 100%，使用 Ettman, 2020 3 中的 MDD 严重程度分布变化和先前发表的文献中对 COVID-19 大流行期间 MDD 患病率的估计值来评估 COVID-19 大流行的影响，如表 1 所示
技术是工作自动化的推动者吗？当前社会对未来工作前景的挑战
由于数字技术的创新可能性，提高自动化程度的问题再次被提上议事日程——不仅在工业领域，而且在当代社会的其他部门和领域也是如此。尽管公众和科学界关于自动化的讨论似乎提出了“旧”辩论的相关问题，例如通过引入新技术来取代人类劳动，但作者在此关注的是这些问题的新背景性质。辩论应该重新思考技术与工作之间的关系，包括工作中的量变和质变。在本文中，我们将以工业自动化的引入为例，这在 Frey 和 Osborne 在 2013 年广受认可的研究中得到了体现。他们估计，未来计算机化对美国劳动力市场结果的预期影响非常大，特别是在面临风险的工作数量方面。令人惊讶的是，这项研究是一场激烈的国际辩论的起点，辩论的主题是技术对未来工作的影响以及技术变革在工作环境中的作用。因此，作者认为，“旧”问题仍然很重要，但应该根据“新”社会需求和对未来工作模式的期望重新诠释它们。
推荐仇恨：Tiktok的搜索引擎算法如何再现社会偏见
，但发现了其他拼写中的其他术语。例如，在搜索德国性别性别的反黑色Slur“ n*gerin”时，在视频中发现了“尼日利亚”一词。尽管两个关键字在拼写上相似，但含义上有很大差异。大概，Tiktok的搜索算法处理了原始的提示和“自动校正”搜索，这导致反黑泥浆与与尼日利亚有关的内容有害的关联，包括对原始可恶提示受害的黑人人的刻画。虽然拼写校正是搜索引擎中的常见实践，但通常通过通知用户使用标签，例如“显示结果”或“您是指搜索：”）来维护透明度。在此处检查的情况下，没有显示此类标签。
职位＃885：在大型社会转型的背景下，可持续的商业道路和创新活动
这个博士学位项目的重点是在动荡环境中的可持续业务道路和创新活动上，在一个项目“公正过渡治理模型和企业家途径：监视和分析”（01.01.01.2024-31-31-12.2028）的框架中爱沙尼亚的塔尔图。公正信托基金研究活动的总体野心是实现IDA-VIRU县地区的经济，环境，社会，生活和商业条件的基本改善，并为过渡过程以及方法论和模型开发一个理论上扎根的框架，以实现对过渡相关方面的经验监测。在大型社会转型的背景下，即过渡到气候中立的经济，必须重组IDA-VIRUMAA的经济并实现可持续性，并确定新的发展轨迹。这代表了区域发展背景下经济地理的核心主题（Sotarauta 2020）。不断变化的经济环境以及新技术（即可再生能源解决方案），影响治理，企业的内部管理模式，其价值主张，供应链，企业家生态系统以及当地人民和社区的日常生活。过渡到气候中立的经济模型的核心是确定和实施新的商机。2018）。这涉及业务模型创新，这意味着创建和应用新的业务模型，通过添加其他模型，采用新模型或与另一个模型更换现有模型来多样化运营（Geissdoerfer等人。它受到微观（知识和技能，以前的经验，思维方式和取向，价值观），Meso（网络，经济部门，财务，人力资本，人力资本，创新文化，技术）和宏观水平（企业家生态系统，地理，地理，社会转型）因素（ETC/WMGE报告2/2021; JACOBSSON＆BERE），2011年），2011年。博士项目的目的是用混合方法（定性和定量）研究主要在商业研究中发现，这些因素影响了Micro，Meso和Macro水平的可持续业务发展途径，包括。业务模型创新，其驱动因素和障碍，总体旨在为商业模型创新分析和商业模型创新的类型制定方法，以促进爱沙尼亚Ida-Viru县的可持续过渡。可以考虑比较方面，例如与其他爱沙尼亚和欧盟地区（最好是其他公正的过渡区域）。该项目解决了研究问题，如下所示：IDA-VIRU企业已实施并计划实施（产品和处理创新）的（可持续）创新相关的活动？各个级别的驱动因素和障碍是什么（知识，技术，财务资源，市场和客户，供应链，立法，生产力以及研发强度，网络等）以及这些如何影响IDA-VIRU业务模型的变化？基于研究区域中确定的创新活动及其影响因素，哪种业务模型创新类型学是相关和适用于大型社会转型的背景下的？
没有制度变革的价值整合无法防范人工智能的社会风险
减轻人工智能 (AI) 社会风险的一种方法是价值观协调，旨在确保 AI 系统以符合社会价值观的方式运行。为了补充这种方法，可以采用制度主义方法，研究 AI 系统如何与其所在的社会机构互动。这很重要，因为约翰·罗尔斯 (John Rawls) 所说的“社会基本结构”的主要背景机构显著影响新技术的影响。因此，具有不同基本结构的社会将体验到同一种技术的不同影响。在许多情况下，AI 系统不会产生新问题，而只是揭示和放大了我们社会机构中先前存在的脆弱性。在这种情况下，我认为，除非解决潜在的制度脆弱性，否则仅靠价值观协调无法减轻 AI 的社会风险。因此，深刻的制度变革（有时是对看似不相关的背景机构）是必要的，以便在减轻风险的同时从 AI 中获益。
Arkema获得了美国化学委员会的2021年社会贡献可持续领导奖
Arkema对高级生物圆聚酰胺11的承诺已获得美国化学委员会（ACC）的可持续领导社会贡献奖。享有声望的奖项认可了对社会可持续未来创新的承诺的产品，流程或倡议。Arkema通过目前在新加坡建立了世界上最大的晚期聚酰胺11的生物生物因素，这表明了其领导承诺，同时也是世界上第一个可持续的蓖麻农业计划的共同创建和驱动“ Pragati”，并启动了其部分旗舰virtucycle®计划的部分和完全回收的高级Bio-Polymers。“我们很荣幸能获得ACC的认可，因为我们在高级生物环（ABC）聚合物方面的进步以及该集团对满足当前和未来社会挑战的可持续性解决方案的全球承诺，”高性能聚合物首席营销官Kevin Hanrahan说。“我们将在新的综合新加坡工厂投资数亿欧元，该工厂将于明年上半年开始，我们的单体和聚合物生产的100％将来自可再生的蓖麻豆。” Arkema是Advanced Polyamide 11材料的全球先驱，从可持续蓖麻油中衍生出100％的材料，该公司是印度可持续蓖麻种植的Pragati倡议的创始成员。到目前为止，已有数千名蓖麻养殖者及其家人接受了Pragati倡议的培训和认证。为了进一步加强对循环经济的承诺，Arkema于2019年创建了其Virtucycle®回收计划。该程序开发了用于收集和再生高性能聚合物的循环，同时最大程度地减少了CO2排放。最近，阿克马（Arkema）宣布收购其回收业务的历史合作伙伴阿吉帕斯特（Agiplast），该合作伙伴将使公司能够在材料循环方面为客户提供全面服务。ACC在其虚拟年度会议上认可了可持续发展领导奖的获奖者。
TNO报告TNO 2020 R11116大规模存储的法律和社会嵌入
为了回答上述问题，研究了与大规模地下储能的许可程序相对应的法律发展和法律发展（见图1）。此外，进行了一项文献研究，以大规模地下储能项目的社会嵌入进行。这些研究得到了与专业人士的8次访谈，其中1个参与大规模地下储能开发。在采访中，我们着重于他们在许可程序和利益相关者管理方面的经验。本报告总结了与大规模地下储能的法律和社会挑战有关的结论和建议。可以在两个单独的报告2、3中找到更深入的分析描述，其中有更多背景和详细信息。
材料加速平台 (MAP)：加速材料研究和开发以应对紧迫的社会挑战
气候变化和材料关键性挑战正在促使全球各国政府采取紧急应对措施。这些全球应对措施推动政策制定，利用先进材料 (AdMats) 实现可持续、有弹性、清洁的解决方案，以促进工业供应链和经济繁荣。由工业界、学术界和政府组成的研究领域确定了一条加速绿色转型的关键途径，远远超出了缓慢的传统研究，即通过材料加速平台 (MAP) 利用人工智能、智能自动化和高性能计算的数字技术。从这个角度来看，在这篇短文之后，将对所解决的挑战、现有项目和 MAP 的构建模块进行广泛概述，最后回顾剩余的差距和克服这些差距的措施。
在社会和司法限制下进行深度学习的数学算法设计：算法透明度要求
抽象的深度学习仍然在可信度方面存在缺点，它描述了一种可理解，公平，安全和可靠的方法。为了减轻AI的潜在风险，已通过监管指南（例如，在《欧洲AI法》中）提出了与可信赖性相关的明确义务。因此，一个核心问题是可以在多大程度上实现值得信赖的深度学习。建立构成可信赖性的所描述属性要求可以追溯影响算法计算的因素，即算法实现是透明的。以这样的观察到，深度学习模型的当前演变需要改变计算技术的变化，我们得出了一个数学框架，使我们能够分析计算模型中透明的实现是否可行。我们示例地应用了我们的可信度框架，分别分析图灵和Blum-Shub-Smale机器代表的数字和模拟计算模型中的反相反问题的深度学习。基于先前的结果，我们发现Blum-Shub-Smale机器有可能在相当一般的条件下为反问题建立可信赖的求解器，而Turing Machines不能保证具有相同程度的可信度。