XiaoMi-AI文件搜索系统
World File Search SystemWeisz
Justin D. Weisz、Michael Muller、Jessica He 和 Stephanie Houde。2023 年。面向生成式 AI 的通用设计原则
1 http://chat.openai.com 2 http://copilot.github.com 3 http://adept.ai 4 http://jasper.ai 5 http://midjourney.com 6 我们使用术语“判别性”是为了表明人工智能算法执行的任务是确定数据实例属于哪个类或组；分类和聚类算法是判别性人工智能的例子。虽然我们使用“判别性”一词可能会让人联想到人类歧视（例如通过种族、宗教、性别认同、基因或其他方式），但我们的使用遵循了机器学习社区建立的科学惯例（例如，参见 https://en.wikipedia.org/wiki/Discriminative_model）
解锁生成AI应用程序的用户体验
[1]西蒙·阿塔德（Simon Attard）。2023。接地生成的AI。https://medium.com/@simon_attard/grounding-lange-lange-models-generative-526bc44404c28 [2] Paul Denny，Viraj Kumar和Nasser Giacaman。2022。与Copilot进行对话：探索使用自然语言解决CS1问题的及时工程。第54届ACM计算机科学教育技术研讨会论文集V. 1（2022）。https://api.semanticscholar.org/corpusid：253157479 [3] Cobus Greyling。2022。及时工程，文本生成大语言模型。https://cobusgreyling.medium.com/prompt-eendebering-text- generation-large-lange-models-models-3d90c527c6d5 [4] Alita Joyce。2018。用户体验中的微接触。https://www.nngroup.com/articles/microthicles/ [5] Vivian Liu和Lydia B. Chilton。2021。及时工程文本对图像生成模型的设计指南。2022 CHI人为因素的计算系统中的会议记录（2021）。https://api.semanticscholar.org/corpusid:237513697 [6] UserTesting平台。 2024。 USERTESTING网站。 https://www.usertesting.com/ [7] Laria Reynolds和Kyle McDonell。 2021。 提示大型语言模型的编程：超越少量范式。 在计算系统中的2021 CHI人为因素会议的扩展摘要（2021）。 https://api.semanticscholar.org/corpusid:231925131 [8] Justin D. Weisz，Michael J. Muller，Jessica He和Stephanie Houde。 2023。 在IUI讲习班中。https://api.semanticscholar.org/corpusid:237513697 [6] UserTesting平台。2024。USERTESTING网站。https://www.usertesting.com/ [7] Laria Reynolds和Kyle McDonell。 2021。 提示大型语言模型的编程：超越少量范式。 在计算系统中的2021 CHI人为因素会议的扩展摘要（2021）。 https://api.semanticscholar.org/corpusid:231925131 [8] Justin D. Weisz，Michael J. Muller，Jessica He和Stephanie Houde。 2023。 在IUI讲习班中。https://www.usertesting.com/ [7] Laria Reynolds和Kyle McDonell。2021。提示大型语言模型的编程：超越少量范式。在计算系统中的2021 CHI人为因素会议的扩展摘要（2021）。https://api.semanticscholar.org/corpusid:231925131 [8] Justin D. Weisz，Michael J. Muller，Jessica He和Stephanie Houde。2023。在IUI讲习班中。在IUI讲习班中。迈向生成AI应用程序的一般设计原理130-144。https://api.semanticscholar.org/corpusid:255825625https://api.semanticscholar.org/corpusid:255825625
发展性认知神经科学
脑电图（EEG）是一种可直接测量大脑活动的相对低成本和非侵入性方法，非常适合捕获整个寿命的实时神经信息。eeg一直是发现基本发展现象的核心（例如，Cellier等，2021； Marshall等，2002； Uhlhaas等，2010），并具有进一步发展儿童发展研究的进一步发展研究的潜力。作为一种发育神经科学工具，脑电图的力量在于用于从原始脑电图中提取有意义信息的分析方法。然而，提高的分析复杂性创造了实质性的知识障碍，这些知识障碍必须在该领域广泛使用这些方法之前必须克服。发育认知神经科学中的这个特刊介绍了一系列论文（随附的教程），重点是脑电图分析方法，这些方法尚未被发展科学家广泛采用。针对新手和经验丰富的研究人员，本期的所有文章不仅解释了每种方法所涉及的理论和概念步骤，而且每篇文章都伴随着逐步的教程，公开可用的代码和示例数据。与其他群体的类似Ini Tiatives一致（Clayson等，2022; Kujawa and Brooker，2022; Weisz and Keil，2022）以及更广泛的开放科学运动（Foster and Deardorff，2017; Markiewicz et al。加快在发展认知神经科学领域的发现速度。
类比设计中人与人工智能的交互协同创造力
简介 十一年前，马希尔 (Maher) 问道：“谁在创造？” (Maher 2012)，并提出了几个创造性应用的分析空间，包括构思和互动两个维度。马希尔的问题引出了乔丹诺斯 (Jordanous) 的 PPP 视角框架，其中创造行为可以由人类或人工智能 (Jordanous 2016) 执行，以及坎托萨洛 (Kantosalo) 和塔卡拉 (Takala) 的 5C 框架，其中创造行为由人类和人工智能共同组成的集体执行 (Kantosalo and Takala 2020)。1然而，对于人与人工智能互动中创造力的位置，人们的共识较少。混合主动性创造性界面方法提出了一组基本的细粒度活动，这些活动可以由人类或人工智能以某种结构化对话的形式执行（Deterding 等人，2017 年；Spoto 和 Oleynik，2017 年），随后扩展到生成应用（Muller、Weisz 和 Geyer，2020 年），针对特定算法方法进行了改进（Grabe、Duque 和 Zhu，2022 年），并针对其他算法方法进行了批评（Zheng，2023 年）。虽然这些方法生成了重叠的分析动作词汇，但它们并没有解决创造力在何处发生（以及由谁或什么通过这些动作发生）的问题。在这篇短文中，我们提供了对该问题的一个答案的几个例子。我们重新利用 Kantosalo 和 Takala (2020) 的 5C 中的集体概念，提出一种类型的创造力可能会在以下互动空间中不对称地出现 (Rezwana and Maher 2022)