XiaoMi-AI文件搜索系统
World File Search SystemTweets
公务员快速通道和快速通道：2015 年度报告
通过制图系统进行接近。我所参与的工作范围很广，从帮助绘制科学研究对政策领域的影响，到设计一个模型，通过使用感觉不舒服的推文来预测食源性疾病诺如病毒的增加。公务员运筹学快速通道将我的两个真正爱好融为一体。我运用了我在土木工程学位中获得的数学、科学和工程技能和知识。我的工作职责是做出的决策有可能极大地造福人们的生活。我想不出还有哪个工作领域能像大学刚毕业时一样，既有机会接触到机会，又有责任。我很快就要转到教育部了，期待着将我在食品标准局学到的知识应用到一个更大的部门。当我觉得自己已经准备好完成快速通道并申请管理职位时，我希望自己不仅能发展分析师的技能，还能拥有强大的沟通、领导和决策能力——我很想成为公务员队伍的领导者，我认为沟通能力强的分析师对任何团队都是有价值的贡献者。然而，无论我最终身在何处，我都不想失去那种感觉，即偶尔能安静下来，停下来，笑一笑，想一想‘这是一个巨大的项目，我帮助塑造了它’。”
较低的数量，较高质量：Twitter/X算法与时间顺序的审计新闻内容和用户感知
社交媒体个性化算法越来越多地影响了通过社会通过社会来的公民信息流，从而引起了人们对“过滤气泡”，“回声室”的担忧，以及其他方式可能加剧意识形态隔离并喜欢偏振内容的传播。为了解决这些问题，我们设计并进行了社会技术审核（STA），以调查Twitter/X的时间轴算法如何影响新闻策划，同时还跟踪用户的看法在响应中的变化。我们部署了一个自定义的系统，在三周的时间里，该系统被动地跟踪了第一个星期在用户浏览器中加载的所有推文，然后在第二周就对用户的Twitter/X主页进行了干预，以将其视图限制为仅算法或时间表的时间表（随机）。我们在第三周为每个用户翻转了这种情况。我们在2023年底进行了审核，收集以用户为中心的指标（自我报告的调查措施）和以平台为中心的指标（视图，点击，喜欢），以及超过800,000个推文。使用STA框架，我们的结果是两个方面：（1）我们的算法审核发现Twitter/X的算法时间表的数量较低，但新闻的质量较高 - 与时间表相比，意识形态上的一致性较小，极端较差，更少，稍微降低了，稍微降低了。（2）我们的用户审核表明，尽管我们的时间表干预对用户的行为产生了重大影响，但对他们对平台的整体看法的影响很小。我们的论文讨论了这些发现及其在算法新闻策划，以用户为中心的审计以及独立社会科学研究途径的背景下的更广泛含义。
通过区块链增强云存储安全性 -
在不断变化的技术创新景观中摘要以及与云存储相关的安全性问题越来越多，该研究重点是改善云记录安全性的关键主题。该研究引入了与以太坊区块链集成的访问控制范式。为了提高安全性，采用了改进的SALP群优化（ISSO）技术来生成秘密密钥生成所需的关键随机数。此外，该研究还利用了另外两种加密算法：Paillier联合多层感知器（PF-MLP）模型和同型加密标准（HES），进一步保护原始健康推文数据集的隐私。研究评估了各种加密方法的安全性约束和功效，指导选择最强的框架来保护健康推文数据集。ISSO技术简化了密钥对生成，这使潜在攻击者访问原始数据更具挑战性。所提出的加密解码方法表明，加密时间分别为800毫秒和900毫秒，表现出优于最激烈的 - Shamir-Adleman（RSA）算法和椭圆形曲线加密（ECC）。此外，该方法在上传和下载速度中超过了ECC和RSA，分别为4 ms和6 ms。以1500毫秒的处理时间，该提出的方法显着超过了先前的方法，展示了其在加密操作中的效率和优越性。这项工作结合了访问控制，区块链技术和高级加密技术，以解决与云存储相关的压力安全问题。通过增强数据安全性和机密性，集成框架代表了外包到云平台的数据安全性的重大进步。关键字数据安全性，SALP群优化，同形加密标准，云计算，Paillier联合学习，以太坊区块链。
在推特消息中监测人们对疫苗接种的态度
摘要背景：我们开发了一个系统，可以自动对 Twitter 消息中对疫苗接种的态度进行分类，重点关注持消极态度的消息。这样的系统可以监控社交媒体上持续不断的消息流，从而提供切实可行的见解，了解公众对疫苗接种的犹豫态度。目前，这种监控是通过常规情绪分析进行的，在检测对疫苗接种的消极态度方面表现不佳。对于提到疫苗接种相关关键词的荷兰 Twitter 消息，我们注释了他们对疫苗接种的立场和感受（前提是他们提到了这个话题）。随后，我们使用这些编码数据来训练和测试不同的机器学习设置。为了最好地识别对疫苗接种持消极态度的消息，我们比较了数据集大小增加、可靠性降低、要区分的类别数量增加以及分类算法不同的设置。结果：我们发现，使用严格和宽松标记数据与更细粒度标记相结合进行训练的支持向量机产生了最佳结果，F1 得分为 0.36，ROC 曲线下面积为 0.66，远远优于当前使用的情绪分析，后者产生了 F1 得分 0.25，ROC 曲线下面积为 0.57。我们还表明，我们的系统的召回率可以优化到 0.60，而精度几乎没有损失。结论：我们的研究结果表明，仅通过计算机系统进行立场预测是一项具有挑战性的任务。尽管如此，该模型在识别负面推文方面表现出足够的召回率，从而减少了查看消息的手动工作量。我们对系统的数据和行为的分析表明，需要一种方法，在该方法中，将使用更大的训练数据集与人机交互为系统提供有关其预测的反馈的环境相结合。
利用 Twitter 数据了解公众对 COVID-19 相关药物的批准使用和未列入药品说明书的使用的看法
目的：了解公众对未经证实的疗法紧急使用的讨论对于监测安全使用和打击错误信息至关重要。我们开发了一个基于自然语言处理的流程，以了解公众对 Twitter 上与 2019 年冠状病毒病 (COVID-19) 相关药物的看法和立场。方法：这项回顾性研究包括 2020 年 1 月 29 日至 2021 年 11 月 30 日期间 609 189 条美国推文，这些推文涉及在 COVID-19 大流行期间引起公众广泛关注的 4 种药物：(1) 羟氯喹和伊维菌素，有轶事证据的药物疗法；(2) 莫努匹拉韦和瑞德西韦，FDA 批准的符合条件患者的治疗选择。使用时间趋势分析来了解受欢迎程度和相关事件。进行了内容和人口统计分析，以探索人们对每种药物立场的潜在理由。结果：时间趋势分析显示，羟氯喹和伊维菌素比莫尔努匹韦和瑞德西韦受到的讨论多得多，尤其是在 COVID-19 激增期间。羟氯喹和伊维菌素高度政治化，与阴谋论、传闻、名人效应等有关。美国两大政党的立场分布明显不同（P < .001）；共和党人比民主党人更有可能支持羟氯喹（+55%）和伊维菌素（+30%）。具有医疗保健背景的人比普通人群更倾向于反对羟氯喹（+7%）；相比之下，普通人群更有可能支持伊维菌素（+14%）。结论：我们的研究发现，在 COVID-19 的不同阶段，社交媒体用户对药品说明书外使用和 FDA 批准的药品使用有不同的看法和立场，这表明卫生系统、监管机构和政策制定者应设计量身定制的策略来监测和减少错误信息，以促进安全用药。我们的分析流程和立场检测模型已在 https://github.com/ningkko/COVID-drug 上公开。
生成的AI - 超越欣快和简单解决方案
自2022年Ameri-Software Company Openai发布文本生成器和Chatbot Chatgpt以来，生成人工智能（AI）席卷了数字世界； AI应用程序现在可以访问，并且具有多种用途。仅在两个月内就可以访问约1亿用户。此外，还已经广泛使用了用于自动创建影像图像和视频的工具，例如Midjourney，Dall-E或Gemini，现在许多工具现在都提供了多模式输出。单击按钮，这些应用程序可以通过生成AI创建高质量的文本，图像或视频。通过Internet免费访问即时使用此类工具，而简单的界面则负责此胜利；用户几乎不需要先验知识，只有少数技术要求才能在几秒钟内收到各种问题的答案或生成文本，图像和视频。生成AI的基础和核心是根据从各种起源和质量的多种数据数据中获得新的语言或视觉产品的能力。重要的是，这种新内容的创建纯粹基于相关性或概率，而不是真正的理解。chatgpt是一种所谓的大型语言模型（LLM），接受了大量文本培训：网站，书籍，文章，歌词，帖子，帖子，推文，评论或其他语句 - 简而言之，所有文本类型都可以在Internet上找到。培训特别包括根据从这些数据中学到的语言模式预测提供的句子细分的下一个单词。为此，Chatgpt首先通过使用统计过程来分析句子的上下文，然后根据概率计算产生下一个单词。以这种方式，Chatgpt可以以统计上合理的方式回答Word的问题，并产生新的文本。句子
Twitter 上气候变化影响者营销的人工智能分析
Ballestar, MT 和 Sainz, J. (2020)。两个社交影响者的故事：评估社交营销的新方法，JF María Teresa Ballesta 和 S. D'Alessandro，（编辑）数字营销和电子商务的发展（第 80 – 90 页）。Springer。Ballestar, MT、Sainz, J. 和 Torrent – Sellens, J. (2016)。返现网站上的社交网络。心理学与市场营销，33，1039 – 1045。https://doi.org/10.1002/mar.20937 Blondel, VD、Guillaume, J. – L.、Lambiotte, R. 和 Lefebvre, E. (2008)。大型网络中社区的快速展开。 《统计力学杂志：理论与实验》，2008（10），p10008。https://doi. org/10.1088/1742-5468/2008/10/p10008 Boutet, A., Kim, H., & Yoneki, E. (2012)。你的推文里有什么？我知道你在 2010 年英国大选中支持谁。第六届国际 AAAI 博客和社交媒体会议。https:// www.aaai.org/ Brandes, U. (2001)。一种更快的中介中心性算法。数学社会学杂志，25 (2)，163 – 177。https://doi.org/ 10.1080/0022250x.2001.9990249 Brown, D.，& Hayes, N. (2008)。影响者营销（第 1 – 235 页）。劳特利奇。https://doi.org/10.4324/9780080557700 Bu, Y.、Parkinson, J.，& Thaichon, P. (2022)。影响者营销：同质性、顾客价值共同创造行为和购买意向。零售与消费者服务杂志，66，102904。https://doi.org/10.1016/J.JRETCONSER.2021.102904 Caldwell, C. (2019)。格蕾塔·桑伯格的气候行动主义存在的问题。纽约时报。第 2 页。Casalegno, C.、Candelo, E. 和 Santoro, G. (2022)。探索绿色和可持续购买行为的前因：不同世代之间的比较。心理学与市场营销，39 (5)，1007 – 1021。https://doi.org/10.1002/MAR.21637 Cha, M.、Haddadi, H.、Benevenuto, F. 和 Gummadi, KP (2010)。衡量 Twitter 上的用户影响力：百万粉丝谬论。第四届国际 AAAI 网络日志和社交媒体会议。https:// www.aaai.org/ Cody, EM、Reagan, AJ、Mitchell, L.、Dodds, PS 和 Danforth, CM (2015)。 Twitter 上的气候变化情绪：一项未经请求的民意调查。PLoS One，10 (8)，e0136092。https://doi.org/10.1371/ journal.pone.0136092 Corbett, J., & Savarimuthu, BTR (2022)。从推文到洞察：对美国可持续能源情感话语的社交媒体分析。能源研究与社会科学，89，102515。https://doi.org/10.1016/J.ERSS.2022.102515 Dahal, B.、Kumar, SAP 和 Li, Z. (2019)。全球气候变化推文的主题建模和情绪分析。社交网络分析与挖掘，9 (1)，24。https://doi.org/10.1007/s13278-019-0568-8 Delbaere, M., Michael, B., & Phillips, BJ (2021)。社交媒体影响者：让粉丝参与品牌活动的途径。心理学与市场营销，38 (1)，101 – 112。https://doi.org/10.1002/MAR.21419 DeSantis, R. (2021)。格蕾塔·桑伯格希望 2021 年带来气候“觉醒”：迄今为止“我们失败了”。人物。https://people.com/ human-interest/greta-thunberg-hopes-2021-brings-a-climate- awakening/ Dunlap, RE, McCright, AM, & Yarosh, JH (2016)。气候变化的政治分歧：美国党派极化加剧。环境：可持续发展的科学与政策，58 (5)，4 – 23。盖茨，B。(2021)。如何避免气候灾难：我们拥有的解决方案和我们需要的突破。克诺夫出版社。Giachanou, A., & Crestani, F. (2016)。不管你喜不喜欢。 ACM 计算调查，49 (2)，1 – 41。https://doi.org/10.1145/2938640 Golbeck, J. (2013)。分析社交网络。Newnes。Gómez – García, S.、Gil – Torres, A.、Carrillo – Vera, J. – A. 和 Navarro – Sierra, N. (2019)。构建唐纳德·特朗普：美国总统政治话语中的移动应用程序。Comunicar，27 (59)，49 – 58。
INSIGHTSIAS
看看下面这篇题为“社交媒体的两极分化”的文章：平均每天有 14.9 亿人登录 Facebook；Twitter 上每秒钟大约有 6,000 条推文。我们成为数据和信息的创造者；我们在社交媒体上的体验由算法决定。社交媒体背离了它的承诺，即让我们接触到来自我们所在地数英里之外的不同观点和表达。相反，我们发现自己比以前更加僵化。1950 年，阿希从众实验发现，一个人愿意给出错误答案，只是为了顺从大多数人的观点。受访者给出错误答案要么是因为他们不想被嘲笑，要么是因为他们相信群体比他们更了解情况。这种情况甚至持续到今天，尤其是在网上假新闻的情况下，据说假新闻助长了社会的两极分化。在社交媒体上，人们只从他们信任的人那里获取信息，并寻找能证实他们世界观的新闻。这导致人们对过去可能更愿意讨论的问题形成了僵化的观点。社交媒体网站应该为鼓励这种行为负责。例如，Twitter 会定期提示您关注与您持有相似观点的人。这只会加强我们的偏见。今年一项关于社交媒体两极分化加剧的研究发现，算法过滤已经造成了这种循环
治疗阿尔茨海默氏病的聚合物
本研究探讨了信息和通信技术（ICT）对当代民主的深刻影响。专注于2020年美国总统大选，这项研究调查了Twitter/X如何以特定的社交模式和构建真相的方式结构在线社区。这些平台的兴起引发了辩论，即它们是在增强还是破坏民主进程的结论。这项研究并没有继续进行这项尚未解决的讨论，而是将询问ICT的重点移动到ICT如何影响民主中的主体的存在。这意味着要从仅通过其实用性定义ICT作为一种影响行为的独立技术，以查看ICT创建的虚拟世界中的受试者是如何纠缠的。从方法论上讲，用户在网络上的实践使用计算科学指标映射。这项研究采用Twitter的流API来组装包含关键字的推文的数据集。使用Python编程语言执行了描述性分析。在进行情感分析中，这项研究采用了Twitter-Roberta-base模型。为了对大型交互数据集进行全面分析，我们提出了一种新型方法，利用大型语言模型来自动化分类过程。该分析揭示了算法驱动的虚拟互动如何创建“混合现实”，在这种情况下，虚拟和现实世界的动态相交，从而导致两极分化和民主审议的侵蚀。特朗普的失败标志着在阴谋理论的旗帜下走上街头的用户之间的碰撞，这是通过接受作为实践的替代性虚拟真理的吸引力，而公民则利用对选举过程的经验结果进行审议的公民。这项研究不仅提供了有关ICT对民主影响的经验证据，而且还引入了用于分析大型社交媒体数据的创新计算技术。
我们对人工智能的依赖有多安全？我们应该对其进行监管吗？
就在我写这篇文章的几周前，也就是 2020 年 7 月下旬，新闻报道开始报道一种强大的新型人工智能。这种人工智能被称为生成式预训练 3 号 (GPT-3)，能够生成各种类型的文本——从推文到散文到诗歌，甚至计算机代码——只需一个句子甚至一个单词即可。还有其他类型的软件也类似，包括新闻机构在过去七年左右用来生成依赖数字和统计数据的新闻报道的软件，例如金融和体育报道。但这些是更简单的程序，主要依赖于将这些数字与通常在这些类型的报道中反复使用的预编程、固定短语相结合。另一方面，GPT-3 使用机器学习来查找和训练自己了解文本类型及其使用方法，从而学习如何在众多主题上创作自己的故事。受母公司 OpenAI 邀请进行实验的 Beta 测试人员感到惊讶，因为 GPT-3 代表了自然语言处理 (NLP) 方面的一大飞跃，尤其是在其生成的文本的广度和质量方面；其中很多文本很难与人类生成的文本区分开来。正如早期用户之一 Arram Sabeti 所说，“你所要做的就是写一个提示，它就会添加它认为可能遵循的文本。我用它写过歌曲、故事、新闻稿、吉他谱、采访、散文、技术手册。这既好笑又可怕。我觉得我看到了未来”[1]。曾在与 OpenAI 竞争的公司 DeepMind 工作的 Trevor Callaghan 更详细地阐述了 Sabeti 对未来的担忧，他说：“如果你假设我们将 NLP 发展到大多数人无法分辨的地步