XiaoMi-AI文件搜索系统
World File Search Systemchatbots
人工智能聊天机器人：传统与深度机器学习技术的综述
摘要：人工智能 (AI) 使机器变得智能，最重要的是使用机器学习 (ML)，机器经过训练能够做出更好的决策和预测。特别是，基于 ML 的聊天机器人系统已经开发出来，使用自然语言处理 (NLP) 技术模拟与人的聊天。聊天机器人在许多领域的应用迅速增加，包括教育、医疗保健、文化遗产、支持系统和营销以及娱乐。聊天机器人有潜力改善人与机器的互动，而 NLP 可以帮助它们更清楚地理解人类语言，从而做出正确而智能的回应。除了经典的 ML 技术外，深度学习 (DL) 还吸引了许多研究人员使用更复杂、更准确的技术开发聊天机器人。然而，尽管研究已经为英语广泛开发了聊天机器人，但对阿拉伯语的研究相对较少，这主要是因为与英语相比，阿拉伯语的复杂性和缺乏适当的语料库。尽管已有多项调查研究回顾了聊天机器人系统的最新进展，但这些研究 (a) 并未全面概述阿拉伯语聊天机器人与英语聊天机器人所使用的技术有何不同；(b) 很少关注 ANN 在聊天机器人开发中的应用。因此，在本文中，我们对聊天机器人研究进行了文献调查，以突出 (1) 聊天机器人的经典和深度 ML 技术之间的差异；以及 (2) 阿拉伯语聊天机器人与其他语言聊天机器人所采用的技术之间的差异。为此，我们提出了各种技术比较标准，并从收集的研究中提取相应的数据，并就阿拉伯语聊天机器人开发的进展以及未来仍需做的事情提供见解。
人工智能缪斯：生成式人工智能聊天机器人的创造力已达到人类水平☆
一种普遍的观点是，人工智能不具备创造力。我们通过将人类产生的想法与六个生成性人工智能 (GAI) 聊天机器人产生的想法进行比较来测试这一假设：alpa.ai、Copy.ai、ChatGPT（版本 3 和 4）、Studio.ai 和 YouChat。人类和经过专门训练的人工智能分别评估了想法的质量和数量。我们发现人工智能和人类产生的创造力之间没有质的差异，尽管想法产生的方式有所不同。有趣的是，9.4% 的人类比最具创造力的 GAI GPT-4 更有创造力。我们的研究结果表明，GAI 是创造过程中的宝贵助手。继续研究和开发 GAI 在创造性任务中的应用对于充分了解这项技术在塑造创造力未来方面的潜在优势和劣势至关重要。最后，我们讨论了 GAI 是否能够“真正”发挥创造力的问题。
机器人学术顾问：聊天机器人和人工智能可以取代人际交往吗？
目的：聊天机器人和人工智能 (AI) 有可能缓解人类面临的一些挑战。经常忙于教学和研究的教师可能很难扮演学生家长的角色，为他们提供个性化的建议。因此，本研究的主要目的是根据聊天机器人和人工智能在自动咨询系统中的作用来回顾有关聊天机器人和人工智能的文献。作者旨在深入了解与机器人学术顾问相关的最相关主题和问题，并找出文献中可能作为进一步研究潜在途径的任何空白。设计/方法/方法：本研究采用系统的文献综述和文献计量技术来查找 1984 年至 2023 年期间发表的 67 篇主要论文。研究人员利用 Scopus 数据库，对学术建议中聊天机器人和人工智能的文献进行了总结。结果：聊天机器人应用程序可以成为一种有前途的方法，以应对平衡个性化学生咨询与自动化的挑战。需要进行更多的实证研究，尤其是针对聊天机器人和其他基于人工智能的咨询系统，以了解它们的有效性以及如何将它们融入教育环境。研究的局限性/含义：本研究的样本量可能会限制其研究结果的普遍性。此外，该研究对聊天机器人的关注可能会忽视其他人工智能技术在增强机器人学术咨询系统方面的潜在优势。未来的研究可以探索机器人学术顾问在不同社会背景中的影响，以更全面地了解它们的影响。实际意义：高等教育机构 (HEI) 应建立一个服务于各种利益相关者的机器人学术咨询系统。考虑到客户对机器人的熟悉程度，系统的聊天机器人和人工智能功能必须是用户友好的。原创性/价值：本研究通过提供有关机器人学术咨询背后主要力量的深刻见解，阐明了聊天机器人和人工智能在学术咨询中最常研究的用途，有助于更好地理解高等教育机构对在学术咨询中采用聊天机器人和人工智能的看法。
ChatGPT 和其他人工智能聊天机器人是否构成网络安全风险？一项探索性研究
人工智能 (AI) 的兴起为各个领域开辟了新领域，包括自然语言处理。该领域最重要的进步之一是对话代理 (即聊天机器人) 的开发，它们是旨在通过消息传递界面与人类交互的计算机程序。大型语言模型（如 ChatGPT）的出现使得能够创建高度复杂的聊天机器人，这些聊天机器人可以以令人印象深刻的准确度模仿人类对话。但是，使用这些聊天机器人也带来了必须解决的重大网络风险。本研究论文旨在调查与使用 ChatGPT 和其他类似的基于 AI 的聊天机器人相关的网络风险，包括可能被恶意行为者利用的潜在漏洞。作为本研究的一部分，进行了一项调查，以探讨与基于 AI 的聊天机器人（如 ChatGPT）相关的网络安全风险。此外，本文还提出了可用于缓解这些网络风险和漏洞的缓解方法。
机器人，聊天机器人，自动驾驶汽车：人工智能的思想和道德的感知
AI系统已经快速高级，多元化和扩散，但是我们对人们对他们的思想和道德的看法的了解仍然有限，尽管它对人们是否信任AIS以及他们如何分配AI引起的危害的责任。在一项预先进行的在线研究中，有975名参与者对26个AI和非AI实体进行了评价。总的来说，AI被认为具有低到中度的代理（例如，计划，行动），无生命的物体和蚂蚁之间以及低经验（例如，感应，感觉）。例如，Chatgpt的评分只能像岩石一样能够感到愉悦和痛苦。类似的道德能源，道德机构（做对与错）和道德专案（正确或错误地对待）较高，更多样化，尤其是道德机构：最高评级的AI，Tesla Full自动驾驶的汽车，被认为是道德上的危害，以危害作为黑猩猩。我们讨论了设计选择如何帮助管理感知，尤其是在高度的道德背景下。
人工智能聊天机器人在联合生物信息学知识图谱数据探索中的潜力
每年发布的科学数据集数量激增，这表明集中式方法可能不是未来的解决方案，因为它们存在可扩展性差、维护困难和数据冗余等问题。作为这种增长的一个例子，2023 年核酸研究分子生物学数据库集合中共有 1700 多个数据库 [ 1 ]。据 Sever 等人 [ 2 ] 称，开放研究数据访问和检索的未来是联合的。然而，联合数据访问也面临着巨大的挑战。要将其引入领域专家的日常实践中，需要在技术堆栈的许多层面上进行改进，包括更好的联合查询计划和面向用户的服务。这些将在抽象出数据访问日益增长的复杂性方面发挥关键作用，从而实现联合数据集的更大规模（重新）使用。在本文中，我们认为大型语言模型和对话式人工智能 (AI) 技术（也称为 AI 聊天机器人，例如 ChatGPT）的最新进展可以在促进数据访问方面发挥作用，即使在更具挑战性的联合知识图谱情况下也是如此。我们通过来自 SIB 瑞士生物信息学研究所 1 的选定示例，深入了解对话式 AI 可以帮助研究人员从丰富的公共生物信息学数据中受益的领域。SIB 是一家卓越的联合机构，负责管理不断增长的可互操作的生物信息学知识图谱目录 2 。我们展示了一个
ChatGPT 和生成式 AI 聊天机器人：科学、医学和医学领袖面临的挑战和机遇
ChatGPT 和其他类似的生成式 AI 工具能够生成与人类创建的文本相似的文本，这导致这项新技术既受到批评也受到支持。这些新的 AI 技术为医疗系统中的医疗领导者带来了挑战，同时也提供了新的机遇。本文总结了这些挑战和机遇，并提供了潜在的前进方向。ChatGPT 等 AI 工具引起人们的主要担忧是，它们能够生成流畅且写得很好的文本块，以至于与人类创作的内容难以区分，这引发了人们对其用于欺诈和抄袭的担忧。部分问题在于，即使对于专业的 AI 文本检测软件来说，ChatGPT 生成的文本也很难与人类生成的文本区分开来，这导致其创建者 OpenAI 发布了自己的 AI 检测工具；然而，这个工具本身并不完全准确，因为它得出的结论是，圣经中的前几段文字很可能是在测试过程中由人工智能生成的。2
面向政府公众的人工智能 (AI) 聊天机器人（大型语言模型）
此用例具有高风险，尤其是与公众在聊天机器人中输入的信息以及聊天机器人提供的信息有关。Luis 应该进行风险评估并进行广泛咨询（包括与他的法律团队进行咨询），以确定聊天机器人是否是该任务的最佳解决方案。如果 Luis 继续开发和部署聊天机器人，他将需要非常注意法律和道德方面的考虑，包括当访问可能跨越司法管辖区（即国家/国际）时对信息隐私的要求。
了解老年人接受聊天机器人在医疗保健服务中的接受：扩展的UTAUT模型
聊天机器人采用人工智能（AI）和自然语言处理（NLP）技术来模拟人类对话，理解问题并提供对查询的自动回答（1）。它们存在于常用的智能设备，例如智能手机，平板电脑和智能扬声器（2）中。如今，它们正在延伸到可穿戴技术（3），包括头戴式可穿戴设备（4）和智能手表（5），以及多模式技术（6，7）和元大学（8）。医疗保健领域对聊天机器人的需求不断增长，目的是为患者和医疗保健专业人员提供服务。例如，聊天机器人已成为在线访问实时健康信息的宝贵工具（9）。聊天机器人可以帮助患者确定其症状是短暂的还是需要进一步的医疗护理，提供健康的建议并鼓励疾病预防措施（10）。chatgpt，新一代的聊天机器人，由
自动化客户支持：关于机器学习驱动聊天机器人和虚拟助手的功效的研究
摘要 - 本研究研究了机器学习驱动的聊天机器人和虚拟助手在自动化客户支持方面的功效。随着对企业提供快速，高效且可扩展的客户服务的需求日益增长，因此必须采用机器学习（ML）等高级技术。本研究探讨了如何利用这些技术来增强客户支持操作，并将其绩效与传统支持方法进行比较。这项研究的主要目标是评估ML驱动的聊天机器人和虚拟助手在客户支持角色中的表现，将这些高级技术与传统客户支持方法的疗效进行比较，并在与ML驱动的系统互动时评估客户满意度和响应效率，并确定使用机器学习中使用机器学习的收益和限制。本研究采用了混合方法研究设计，结合了定性和定量方法来收集全面数据。该方法包括通过调查和与客户的访谈收集数据，并支持员工，以收集有关用户体验和满意度水平的定性数据。还分析了来自客户支持交互的历史数据。实施了各种ML模型，包括自然语言处理（NLP）和深度学习算法，以实现为聊天机器人和虚拟助手。这些模型在广泛的客户查询和响应数据集中进行了培训。统计和分析技术，包括回归分析和假设检验，用于解释收集的数据。使用响应时间，准确性和用户满意度得分等指标评估了由ML驱动的聊天机器人和虚拟助手的性能。该研究的主要发现表明，ML驱动的聊天机器人和虚拟助手