XiaoMi-AI文件搜索系统
World File Search Systemcrowdsourcing
基于AI的自动化工具如何有助于系统搜索
1。O'Keefe H，Rankin J，Wallace SA等。调查文本挖掘方法，以帮助构建搜索策略的系统诊断测试准确性 - 案例研究。2023。2。Clark J，McFarlane C，Cleo G等。系统审核自动化工具对完成系统审查任务所花费的时间的影响：案例研究。Jmir Med Educ。2021。3。Borissov N，Haas Q，Minder B等。使用Deduklick减少系统审查负担：一种新颖，自动化，可靠且可解释的重复数据删除算法来促进医学研究。2022。4。Janka H，Metzendorf Mi。 高精度但可变的召回 - 比较五个重复数据删除工具的性能。 2024。 5。 Noel-Storr A，Dooley G，Affengruber L，Gartlehner G.使用众包和机器学习的引文筛选产生了准确的结果：评估Cochrane修改后的Screen4me服务。 J Clin Epi。 2020Janka H，Metzendorf Mi。高精度但可变的召回 - 比较五个重复数据删除工具的性能。2024。5。Noel-Storr A，Dooley G，Affengruber L，Gartlehner G.使用众包和机器学习的引文筛选产生了准确的结果：评估Cochrane修改后的Screen4me服务。J Clin Epi。 2020J Clin Epi。2020
众包 GNSS 智能手机的自动选择......
智能手机已转换为便携式GNSS（全球导航卫星系统）接收器。具有数十亿此类设备记录的GNSS数据具有很大的科学研究潜力，并具有前所未有的时空分辨率。但是，目前访问大型GNSS智能手机数据的访问量是有限的，并且数据处理具有挑战性。Camaliot项目（机器学习技术在GNSS IOT数据融合中的应用）旨在解决这些问题，以促进众包GNSS数据的可用性，以进行天气预报和太空天气监测。Camaliot众包活动中大量的GNSS数据具有异质性的质量。为了应对此数据处理挑战，我们使用机器学习（ML）开发了一种自动数据选择算法。在这项研究中，比较了不同ML模型的分类性能。还检查了不同数据质量指标的重要性。初始结果表明，基于ML的分类器可以在广告系列的实际数据上获得95％的精度，而无需为质量指标设置明确的阈值。基于选定的智能手机GNSS数据，也进行了对流层参数估计实验。
人类众包投票者如何采用（或不采用）人工智能
在过去二十年中，随着数字技术使在线社区和人群成为强大的创新源泉，开放式创新 (OI) 势头强劲 (Butticè & Ughetto, 2023 ; Füller 等人，2009 ; Jaribion 等人，2023 )。通过开放式创新，组织正在“开放”其以前封闭的创新流程，可能允许入站和出站流动 (Chesbrough, 2003 )。在开放式创新中，一种特别流行的入站知识流是众包——将任务或挑战传播给一群人的过程，而不是将其指定给特定的、通常是内部的“代理人”（Afuah & Tucci，2023 年；Brunswicker 等人，2017 年；Cappa，2022 年；Howe，2006 年、2008 年；Mack & Landau，2020 年；Pénin & Helmchen，2011 年；Piazza 等人，2022 年）。通过参与众包，公司努力从组织外部的大量个人那里收集知识（Dahlander & Gann，2010 年）。这使他们能够快速产生大量新想法；然而，大量的新想法使得识别最有价值的想法成为比以前更具挑战性的任务（Hoornaert 等人，2017 年；Majchrzak 和 Malhotra，2020 年）。虽然组织专家为想法评估增加了宝贵的领域知识，但他们也是一种稀缺且昂贵的资源（Bell 等人，2023 年；Toubia 和 Florès，2007 年）。作为回应，公司越来越多地参与众包投票，让大量成本低得多的众包工作者参与想法评估（Brabham，2008 年；Chen 等人，2020 年；Howe，2008 年；Majchrzak 和 Malhotra，2020 年）。最近的研究表明，众包投票可以产生与专家评估相当的表现（例如，Magnusson 等人，2016 年；Mollick 和 Nanda，2016 年）。允许人群对想法进行投票不仅有助于克服组织注意力缺陷（Chen 等人，2020 年；Piezunka 和 Dahlander，2015 年），还可以增加人群参与竞赛的热情（Chen 等人，2020 年），有助于新企业的生存和获得种子资金（Quignon，2023 年），并增加随后在众包活动中产生的想法的数量（Chen 和 Althuizen，2022 年）。到目前为止，在创新管理研究中观察到的人群由组织外部的人组成（例如，有兴趣进一步改进产品的主要用户、参与挑战的竞赛参与者或受雇完成工作的零工）。虽然它们可以帮助组织获取组织内部无法获得的特定知识或大量能力，但让人类参与众包工作，尤其是众包投票，是有局限性的。作为人类，众筹投票者容易受到偏见的影响，他们的评价可能受到注意力限制、羊群效应（早期的评分会影响随后的积极评分，因为选民会遵循最初的评价）或相互投票行为（贝尔
面向个性化非正式学习环境的人机混合课程开发
近几十年来，非正式学习程序发生了极快的变化，这不仅是因为在线学习的出现，还因为人类为实现各种生活和职业目标需要学习的内容发生了变化。因此，在线教育平台有望提供个性化、最新的课程来帮助学习者。因此，在本文中，我们提出了一种基于人工智能 (AI) 和众包的方法来为个人学习者创建和更新课程。我们展示了这个课程开发系统原型的设计，其中贡献者收到基于人工智能的建议，以便能够定义和更新高级学习目标、技能和学习主题以及相关学习内容。这个课程开发系统也被集成到我们的个性化在线学习平台中。为了评估我们的原型，我们将专家的意见与我们系统的建议进行了比较，在推荐技能、学习主题和教育材料时，我们分别得到了 89%、79% 和 93% 的 F1 分数。此外，我们还采访了来自教育机构和职业咨询机构的八位高级专家。受访者同意我们的课程开发方法具有很高的潜力来支持动态、个性化学习环境中的创作活动。
量化错误信息和疫苗的影响......
研究人员和公共卫生官员将美国 COVID-19 疫苗接种率低归因于社交媒体上传播的虚假信息。为了评估这一说法，我们引入了一个新颖的泛化框架，结合实验室实验、众包和机器学习，以估计在疫苗首次推出期间在 Facebook 上分享的 13,206 个与疫苗相关的 URL 对疫苗接种意愿的因果影响。我们的模型预测，表达对疫苗安全性怀疑的内容使每位美国 Facebook 用户的疫苗接种意愿降低约 -2.33 个百分点（95% QI：-2.28，-.328）。令人惊讶的是，未被事实核查人员标记但对疫苗持怀疑态度的内容（主要是主流媒体文章，它们有选择地报道接种疫苗后的死亡事件）的总体影响力是彻头彻尾的虚假信息的 50 倍。尽管我们的实验室实验和模型都表明，在浏览时，虚假信息的危害性远远大于事实准确的内容，但对疫苗持怀疑态度的主流媒体内容在 Facebook 上的浏览量远远高于虚假信息。虽然我们的研究表明限制错误信息的传播具有重要的公共卫生益处，但它也凸显了主流媒体发布的事实准确但仍具有误导性的内容可能带来的有害影响。
通过人工智能和物联网迈向智能交通
智慧城市的关键愿景之一是打造更加智能的交通网络，特别是智能交通。它促进人类、动物和货物安全有效的物理移动和互动。典型的全球问题包括可持续能源、交通事故、交通拥堵、物流管理、数据分析、安全和隐私。近年来，物联网 (IoT) 和人工智能 (AI) 在实现这一智慧城市愿景方面发挥了主导作用。前者为可扩展且强大的数据收集和传输提供了坚实的基础设施。后者为智能交通应用的机器带来了创造性和创新性元素。在本期特刊“交通革命中的物联网和人工智能”中，发表了十 (10) 篇研究文章。这些文章围绕人工智能和物联网对智能交通的影响展开了有意义的讨论。本社论不仅总结了专刊文章，还分享了其他热门研究主题。交通运输在当今的经济和社会发展中发挥着至关重要的作用。作为日常道路使用者，我们需要确保安全有效的出行。根据世界卫生组织 (WHO) 的数据，每年道路交通死亡和受伤人数分别达到 135 万和 5000 万 [ 1 ]。根据 Web of Science 统计数据，自 2007 年以来，人们对智能交通的关注度不断提高，这反映在研究出版物数量的不断增加上。从 2014 年到 2019 年，研究出版物数量平均增长了 51.6%。第一篇文章“基于场景划分和深度强化学习的海上自主水面舰艇自主导航决策”[ 2 ]，由 X. Zhang、C. Wang、Y. Liu 和 X. Chen 撰写，研究了海上自主水面舰艇 (MASS)。自适应导航和不确定环境引起了人们的关注。提出了一种人工势场深度强化学习方法。他们的实验表明，与传统的深度强化学习方法相比，所提出的方法将碰撞率从 2.24% 显着降低到 1.16%。Y. Jiang、B. Liu、Z. Wang 和 X. Yi 发表了一篇文章“从头开始：一种基于众包的数据融合方法，用于支持位置感知应用”[ 3 ]。26 名志愿者参与了数据收集过程。多维众包结合多分辨率环境地图和交易编码已应用于室内定位问题。总共从两层楼的五种智能手机收集了 931 条众包数据轨迹，总建筑面积为 4000 平方米。结果显示，一半的数据点是完美的，而 90% 的数据点有两个单元格的偏差。
工作文件24-005无人群的未来？生成的AI和创造性问题解决
摘要生成人工智能（AI）的快速进步为通过人类引导的AI合作伙伴关系提供了有吸引力的创造性问题。为了探索这一潜力，我们提出了一项众包挑战，该挑战的重点是人类人群产生的可持续性，循环经济思想，并使用两种替代形式的解决方案搜索产生了人类人类的努力。挑战吸引了来自各个行业的125个全球求解者，我们使用战略及时工程来生成人类解决方案。我们招募了300位外部人类评估者，以判断234个解决方案中的13个随机选择，总计3,900个评估者 - 解决方案对。我们的结果表明，尽管人类人群解决方案表现出更高的新颖性（平均而言和新颖的结果），但人类-AI的解决方案表现出较高的战略生存能力，财务和环境价值以及整体质量。值得注意的是，人类解决方案是通过差异化搜索共同创建的，在该搜索中，人类引导的提示指示了大语言模型（LLM）依次生成与以前的迭代不同的输出，超过了通过独立搜索生成的效果。通过将“ AI-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN”方法展示出来，我们的研究表明了一种可扩展的，具有成本效益的方法来扩大早期创新阶段，并为研究整合人类AI解决方案搜索过程如何推动更具影响力的创新奠定了基础。，我们深表感谢Lamar Pierce在整个审查过程中的出色指导和支持。任何剩余的错误都是我们自己的责任。关键字：生成的AI，大型语言模型，创造性的问题解决，组织搜索，AI-AI-AI-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-ARCOUP，众包，迅速的工程认可：我们对Justin Ho，Stella Ho，Stella Ho和Kate Powell的衷心感谢。Our work has been significantly enriched by the insightful comments and feedback from Charles Ayoubi, Nathan Rietzler, and seminar participants at various institutions, including the Laboratory for Innovation Science at Harvard (LISH), University of Washington Foster School of Business, GenAI Lab at the Professorship of Digital Marketing at the TUM School of Management, University of Toronto Rotman School of Management, MIT Sloan, Questrom School of Business Online数字业务和哈佛人类计算机相互作用组的研究。他的领导和见解在提升我们的工作质量方面发挥了作用。我们还向三位匿名审稿人致以真诚的感谢，他们的建设性反馈和周到的建议大大改善了我们的手稿。他们的奉献精神和专业知识在塑造这项研究方面非常宝贵。通过HBS研究与教师发展部（DFRD）和LISH的慷慨财务支持使这项工作成为可能，为此我们深表感谢。我们承认使用GPT-4和Claude-3用于写作帮助。
重新思考现代基于 DRAM 的系统中生产者与消费者的关系
摘要 半个世纪以来，商品 DRAM 的代际改进早已巩固了其作为整个计算行业主存储器的普及地位。然而，克服当今 DRAM 技术扩展挑战需要 DRAM 生产者和消费者共同推动的新解决方案。在本文中，我们观察到，行业范围的 DRAM 标准所规定的生产者和消费者之间的关注点分离正在成为解决扩展相关问题的负担。为了理解这个问题，我们研究了使用系统-内存协作克服 DRAM 扩展挑战的四个关键方向：（i）改善内存访问延迟；（ii）减少 DRAM 刷新开销；（iii）安全防御 RowHammer 漏洞；（iv）解决日益恶化的内存错误。我们发现，在这四种情况下，阻碍进步的最重要障碍是消费者对 DRAM 可靠性缺乏了解。基于对 DRAM 可靠性测试的分析，我们建议修改关注点分离以纳入生产者和消费者之间有限的信息透明度。最后，我们建议分两步实施此次修订，首先通过众包和出版的方式立即发布信息，最终对 DRAM 标准进行大规模修改。
高度自动化驾驶中的接管请求
高度自动化驾驶领域的一个重要研究问题是如何帮助驾驶员在手动和自动控制之间转换。在高度自动化汽车问世之前，有关这个主题的知识必须通过模拟器和自我报告问卷来获取。我们利用众包方式对 1692 人进行了调查，内容涉及高度自动化驾驶中的听觉、视觉和振动触觉接管请求 (TOR)。调查呈现了不同紧急程度的交通场景中的听觉消息记录以及视觉和振动消息的图示。在高紧急程度场景中，多模式 TOR 是最受欢迎的选项。在低紧急程度场景中，听觉 TOR 是最受欢迎的选项，并且作为系统已准备好从手动模式切换到自动模式的确认消息。对于低紧急程度场景，仅视觉 TOR 比仅振动 TOR 更受欢迎。脉冲间隔较短的哔哔声被认为更紧急，史蒂文斯幂律与数据准确吻合。口头信息比抽象声音更容易被接受，女性声音比男性声音更受欢迎。中等收入国家和高收入国家的偏好和感知紧迫性评级相似。总之，这项国际调查表明，人们对高度自动化驾驶中 TOR 类型的偏好取决于情况的紧迫性。� 2018 Elsevier Ltd. 保留所有权利。
通过游戏化方式监控建筑信息
摘要：为了实现高效的设施管理，监测建筑信息（如能耗、室内温度、占用率以及建筑结构变化）非常重要。在本文中，我们提出了一种通过游戏化监测建筑信息的新方法。在我们的方法中，设施的员工通过玩竞争性手机游戏来记录建筑元素的状态。传统上，外部传感器用于自动收集有关建筑物使用的信息。与此相反，我们的方法利用员工的个人手机作为传感器来识别感兴趣的对象并报告其状态。此外，我们建议使用众包作为数据收集工具。这样，手机游戏的用户就可以收集积分并相互竞争。游戏结束时，获胜的团队将获得奖励。我们利用各种游戏化策略来提高用户收集建筑数据的积极性。我们扩展了具有时间域的传统 3D BIM 模型，以便能够跟踪建筑物随时间的变化。最后，我们对真实用例建筑进行了实验，其中员工使用我们的系统持续了三个月。我们在实验后研究中研究了我们的方法和激励策略。我们的结果表明，游戏化可以成为建立信息监控的可行工具。此外，我们注意到，激励在游戏化的数据获取中起着关键作用。