XiaoMi-AI文件搜索系统
World File Search Systemempirical
行业4.0 一项实证研究以确定... - DiVA 门户
图 1 问题表述 ................................................................................................................................................ 11 图 2 工业 4.0 技术的优势与挑战 .............................................................................................................. 25 图 3 在线调查的优势与潜在劣势 ................................................................................................................ 27 图 4 研究流程与设计 ...................................................................................................................................... 29 图 5 我们论文中实施的分析方法 ...................................................................................................................... 33 图 6 北欧的行业 ...................................................................................................................................... 37 图 7 德国的行业 ...................................................................................................................................... 37 图 8 海湾地区的行业 ...................................................................................................................................... 38 图 9 北欧的成本运行检验 ............................................................................................................................. 39 图 10 北欧大数据的运行检验 .............................................................................................................................
酒店业的语音助理：使用人工智能为客户服务。目的——语音助理 (VA) 通过识别人类语音并执行用户发出的命令来增强人机交互。本文研究了酒店业中酒店与客人之间基于 VA 的互动。该研究将 VA 置于人工智能 (AI) 支持的物联网 (IoT) 环境中，颠覆了旧的做法和流程。智能酒店业使用 VA 以经济高效的方式为客人提供轻松的价值共同创造。该研究调查了消费者对酒店业 VA 的看法和期望，并通过专家技术提供商探索 VA 功能。设计/方法/方法——这篇实证论文研究了 VA 在酒店环境中的当前使用情况和未来影响。它使用定性、半结构化的深入访谈，采访了 7 位专家酒店业 VA 技术提供商和 21 位有 VA 经验的酒店客人。该研究采用供需方法，全面解决酒店业中的 VA。发现——研究结果表明，酒店和客人两方终端用户的需求，探讨了 VA 的优势和挑战。分析表明，VA 正日益成为数字助理。VA 技术可帮助酒店改善客户服务、扩大运营能力并降低成本。尽管尚处于起步阶段，但 VA 技术已在优化酒店运营和升级客户服务方面取得了进展。该研究提出了一种语音交互模型。原创性——VA 研究通常侧重于私人家庭中的技术，而不是商业或酒店空间中的技术。本文为智能酒店业中有关人工智能和物联网的新兴文献做出了贡献，并探讨了 VA 的接受度和操作性。该研究有助于概念化 VA 支持的酒店服务，并探索其积极和消极特征以及未来前景。研究局限性/含义——本研究通过使用 VA 和智能酒店和旅游生态系统的发展来促进酒店服务的转型。该研究可以从与酒店经理的进一步研究中受益，以反映酒店经营者的观点并调查他们对 VA 的看法。进一步的研究还可以探索不同背景下消费者与虚拟助理互动的不同方面。实际意义——本文对酒店管理和人机交互最佳实践做出了重大贡献。它支持技术提供商重新考虑如何开发合适的技术解决方案，以提高其战略竞争力。它还解释了如何经济高效地使用虚拟助理，同时为旅行者的体验增加价值。
酒店业的语音助理：使用人工智能为客户服务。目的——语音助理 (VA) 通过识别人类语音并执行用户发出的命令来增强人机交互。本文研究了酒店业中酒店与客人之间基于 VA 的互动。该研究将 VA 置于人工智能 (AI) 支持的物联网 (IoT) 环境中，颠覆了旧的做法和流程。智能酒店业使用 VA 以经济高效的方式为客人提供轻松的价值共同创造。该研究调查了消费者对酒店业 VA 的看法和期望，并通过专家技术提供商探索 VA 功能。设计/方法/方法——这篇实证论文研究了 VA 在酒店环境中的当前使用情况和未来影响。它使用定性、半结构化的深入访谈，采访了 7 位专家酒店业 VA 技术提供商和 21 位有 VA 经验的酒店客人。该研究采用供需方法，全面解决酒店业中的 VA。发现——研究结果表明，酒店和客人两方终端用户的需求，探讨了 VA 的优势和挑战。分析表明，VA 正日益成为数字助理。VA 技术可帮助酒店改善客户服务、扩大运营能力并降低成本。尽管尚处于起步阶段，但 VA 技术已在优化酒店运营和升级客户服务方面取得了进展。该研究提出了一种语音交互模型。原创性——VA 研究通常侧重于私人家庭中的技术，而不是商业或酒店空间中的技术。本文为智能酒店业中有关人工智能和物联网的新兴文献做出了贡献，并探讨了 VA 的接受度和操作性。该研究有助于概念化 VA 支持的酒店服务，并探索其积极和消极特征以及未来前景。研究局限性/含义——本研究通过使用 VA 和智能酒店和旅游生态系统的发展来促进酒店服务的转型。该研究可以从与酒店经理的进一步研究中受益，以反映酒店经营者的观点并调查他们对 VA 的看法。进一步的研究还可以探索不同背景下消费者与虚拟助理互动的不同方面。实际意义——本文对酒店管理和人机交互最佳实践做出了重大贡献。它支持技术提供商重新考虑如何开发合适的技术解决方案，以提高其战略竞争力。它还解释了如何经济高效地使用虚拟助理，同时为旅行者的体验增加价值。
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
经验能量图谱揭示蛋白酶体在多肽转运中的机制
摘要 AAA+ 家族中的环状 ATPase 复合物执行多种细胞功能，这些功能需要其各个 ATPase 亚基的构象转变之间的协调（Erzberger 和 Berger，2006 年；Puchades 等人，2020 年）。如何通过这些协调运动捕获 ATP 水解产生的能量来做机械功尚不清楚。在本研究中，我们开发了一种新方法，用于基于互补的结构和动力学测量来描绘蛋白酶体异六聚体 ATPase 复合物的核苷酸依赖性自由能景观 (FEL)。我们使用 FEL 模拟蛋白酶体的动力学并定量评估预测的结构和动力学特性。FEL 模型预测与本研究和以前研究中的广泛实验观察结果一致，并提出了蛋白酶体 ATPase 的新型机制特征。我们发现 ATPase 亚基的协同运动源自 ATPase 六聚体的设计，该设计要求每个核苷酸结合状态具有独特的最小自由能。ATP 水解通过触发 ATPase 复合物的能量耗散构象转变来决定底物转位的方向。
影响经济增长的因素：经验证据
(1) (2) (3) (4) 因变量 系数 稳健性标准差 t值 p值 劳动力增长率 -27.259** (0.039) -2.07 0.039 政府支出 0.084* (0.055) 1.92 0.055 通货膨胀率 -0.237*** (0.000) -6.51 0.000 自然资源租金 0.241*** (0.000) 5.46 0.000 常数 0.148 (0.911) 0.11 0.911 观测值 550 国家数量 62
从“没有明确的赢家”到有效的可解释人工智能流程：一段实证之旅
如果强化学习 (RL) 代理未接受过 AI 培训，那么当领域专家试图评估 AI 的适用性时，他们应该如何向这些领域专家解释自己？为了研究这个问题，我们进行了一项有 124 名参与者参与的实验，并通过以下方式衡量他们的心智模型：(a) 他们预测 AI 行为的能力和 (b) 他们认为 AI 如何做出决策的书面“规则手册”。我们这样做是为了在简单的 RTS 游戏环境中比较参与者对 RL 代理的心智模型。我们的目标是比较参与者在四种解释配置下对 AI 代理的心智模型：(控制) 无解释；(显着性) 显着性图，解释 AI 的注意力焦点；(奖励) 奖励分解条，解释 AI 对未来奖励类型的预测；和 (一切) 显着性和奖励。这些解释如图 1 所示。为了比较这些解释配置，我们设计了一项受试者间控制实验室研究，以测量人们对 RTS 游戏中不同解释组合的反应差异。为了控制可能采取的行动空间，我们构建了自己的游戏，我们称之为 4-Towers 游戏。在 4-Towers 游戏中，
不断发展的业务发展和最新的人工智能 (AI) 使不同的业务实践通过创建新协作方式的能力得到增强。这种不断发展的技术有助于提供品牌服务，甚至提供一些与客户和员工的新类型的企业互动。人工智能数字化同时强调企业专注于现有战略，并定期和尽早寻求新的市场机会。而业务创新框架内的数字技术研究正引起人们的越来越大的兴趣，并且可以通过区块链技术维护数据的隐私。因此，本文提出了基于人工智能和区块链技术的业务创新 (BI-AIBT)，以增强业务实践并保持不同客户之间的安全交互。定性经验数据的收集由来自两个不同业务部门的少数主要受访者组成。通过开展和探索数字化对价值开发、提案和业务获取的影响之间的差异和相似性，对 BI-AIBT 进行了评估。此外，组织能力和员工技能互动问题可以通过 BT 得到改善。实验结果表明，数字化转型通常被视为必不可少的，并能改善业务创新战略。提出的数值结果 BI-AIBT 提高了需求预测率 (97.1%)、产品质量率 (
不断发展的业务发展和最新的人工智能 (AI) 使不同的业务实践通过创建新的协作方式的能力得到增强。这种不断发展的技术有助于提供品牌服务，甚至提供一些与客户和员工的新类型的企业互动。AI 数字化同时强调企业专注于现有战略，并定期和尽早寻求新的市场机会。而业务创新框架内的数字技术研究正引起越来越多的关注，并且数据隐私可以通过区块链技术来维护。因此，本文提出了基于人工智能和区块链技术 (BI-AIBT) 的业务创新，以增强业务实践并保持不同客户之间的安全交互。定性经验数据的收集由来自两个不同业务部门的少数主要受访者组成。通过开展和探索数字化对价值开发、提案和业务获取的影响之间的差异和相似性，对 BI-AIBT 进行了评估。此外，组织能力和员工技能互动问题可以通过 BT 得到改善。实验结果表明，数字化转型通常被视为必不可少的，并能改善业务创新战略。提出的数值结果 BI-AIBT 提高了需求预测率（97.1%）、产品质量率（98.3%）、业务发展率（98.9%）、客户行为分析率（96.3%）和客户满意度率（97.2%）。
“良好经济”：概念和实证举措......
摘要 在整个欧洲和经合组织，生物经济被推崇为碳经济的继任者：一种以“生物”为基础的经济，它将具有创新性、可持续性、负责任和环保性。然而，如何批判性地看待一个不仅以其积累潜力而且以其行善能力为依据的经济呢？本文提出“良好经济”的概念作为研究经济实践如何与各种善纠缠在一起的分析工具。本文以韦伯、汤普森和福柯的经典贡献为基础，结合价值评估研究，展示了如何运用良好经济概念来研究经济与善是如何交织在一起的。从实证角度来看，本文梳理出生物经济中如何使之成为良好，与近代经济有何根本不同。虽然早期石油和水产养殖经济的“良好经济”涉及如何以良好的方式将这种经济融入社会，但令人惊讶的是，当代生物经济中却没有社会。生物经济是作为一项专家议题制定的，通过经济评估工具进行追踪，并基于“生物”使任何经济变得良好的不容置疑的理念。
联合品牌合作伙伴选择策略的实证研究
3.5 数据收集 ................................................................................................................................ 23 3.5.1 原始数据 .............................................................................................................................. 23 3.5.2 次要数据 .............................................................................................................................. 24 3.5.3 案例研究 .............................................................................................................................. 24 3.6 程序 ...................................................................................................................................... 30 3.7 数据质量 ................................................................................................................................ 32 3.7.1 可靠性 ............................................................................................................................. 32 3.7.2 有效性 ............................................................................................................................. 32 3.7.3 普遍性 ............................................................................................................................. 33 3.8 伦理考虑 ............................................................................................................................. 33 3.9 数据分析 ............................................................................................................................. 33