摘要:自然语言处理 (NLP) 在计算领域已有数十年的研究历史。最近的技术进步促成了复杂的人工智能 (AI) 模型的发展,例如聊天生成预训练 Transformer (ChatGPT)。这些模型可以执行一系列语言任务并生成类似人类的响应,这为学术效率提供了令人兴奋的前景。本文旨在 (i) 探索 ChatGPT 和其他 NLP 技术在学术写作和研究出版物中的潜在优势和威胁;(ii) 强调使用这些工具所涉及的道德考虑,以及 (iii) 考虑它们可能对学术工作的真实性和可信度产生的影响。本研究涉及对在 Scopus 索引为四分位数 1 的同行评审期刊上发表的相关学术文章进行文献综述。搜索使用了诸如“ChatGPT”、“AI 生成的文本”、“学术写作”和“自然语言处理”等关键词。分析采用准定性方法进行,包括阅读和批判性评估来源并确定相关数据以支持研究问题。研究发现,ChatGPT 和其他 NLP 技术有潜力提高学术写作和研究效率。然而,它们的使用也引发了人们对其对学术工作真实性和可信度的影响的担忧。研究强调需要全面讨论这些工具的潜在用途、威胁和局限性,强调道德和学术原则的重要性,将人类智慧和批判性思维置于研究过程的最前沿。这项研究强调,在使用它们时需要进行全面的辩论和道德考虑。研究还建议学者在使用这些工具时要谨慎,并确保使用过程中的透明度,强调人类智慧和批判性思维在学术工作中的重要性。
摘要:由于 ChatGPT 已成为一种主要的 AIGC 模型,可在广泛的应用(包括软件开发和维护)中提供高质量的响应,因此它吸引了许多人的兴趣。ChatGPT 前景广阔,但滥用可能会引发严重问题,尤其是在教育和公共安全领域。目前有几种 AIGC 检测器可用,并且都已在真实文本上进行了测试。但是,还需要进行更多研究才能了解它们对多域 ChatGPT 材料的有效性。本研究旨在通过创建一个多域数据集来测试大学和其他研究机构使用的用于检测人工生成信息的最先进的 API 和工具,从而满足这一需求。本研究创建了一个由文章、摘要、故事、新闻和产品评论组成的大型数据集。第二步是使用新创建的数据集对六种工具进行测试。包括“GPTkit”、“GPTZero”、“Originality”、“Sapling”、“Writer”和“Zylalab”在内的六种不同的人工智能文本识别系统准确率在55.29%至97.0%之间。虽然所有工具在评估中都表现良好,但Originality在各方面都表现得尤为出色。
合成文本检测:系统文献综述 7 2.2 简介 .............................7 2.2.1 相关调查 .......................7 2.2.2 主要贡献 .............。。。。。。。7 2.3 研究设计。。。。。。。。。。。。。。。。.............8 2.3.1 研究问题 .......................8 2.3.2 研究目标 .....................9 2.3.3 检索研究的搜索策略 ...........9 2.3.4 文章纳入排除标准 .。。。。。。。。。...10 2.4 系统映射研究结果 ................10 2.5 已确定的研究差距 ............................14 2.6 建议和未来研究方向。。。。。。。。。。15 2.7 总结。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16
摘要 摘要 通过头戴式显示器 (HMD) 观看虚拟环境时,经常会出现晕动症。本研究检查了 vection(即虚幻的自我运动)和感知头部运动与实际头部运动之间的不匹配是否会导致这种不良体验。观察者在通过 Oculus Rift HMD 观看立体光流时进行振荡偏航头部旋转。在 3 种对物理头部运动进行视觉补偿的条件下测量了 vection 和晕动症:“补偿”、“未补偿”和“反向补偿”。当 HMD 模拟较近的光圈时,发现 vection 在“补偿”条件下最强,在“反向补偿”条件下最弱。然而,在全视野曝光期间,这 3 种条件下的 vection 相似。晕动症在“反向补偿”条件下最严重,但在其他两种条件下并无不同。我们得出结论,感知头部运动与实际头部运动之间的不匹配会严重导致晕动症。矢量和晕屏之间的关系较弱且显得复杂。
拓扑保护的磁性结构,如 skyrmion、半 skyrmion(meron)及其反粒子,构成磁序中的微小涡旋。它们是下一代存储设备中信息载体的有希望的候选者,因为它们可以利用电流诱导的自旋扭矩以极高的速度高效推进 [1, 2, 3, 4, 5, 6]。反铁磁体已被证明可以承载这些结构的版本,它们因其具有太赫兹动力学、无偏转运动和由于没有杂散场而改善的尺寸缩放的潜力而引起了广泛关注 [7, 8, 9, 10, 11, 12]。本文展示了拓扑自旋纹理、子和反子可以在室温下生成,并利用电脉冲在薄膜 CuMnAs 中可逆移动,CuMnAs 是一种半金属反铁磁体,是自旋电子应用的试验平台系统 [13, 14, 15, 16, 17, 18, 19]。反铁磁子子电生成和操控是充分发挥反铁磁薄膜作为高密度、高速磁存储器件有源元件的潜力的关键一步。
图3•EE应激诱发的凋亡操纵癌细胞的免疫原性。(a)PEPA介导的内糖体应力的示意图调节了癌细胞的免疫原性。潮湿,损伤相关的分子模式。(B-E)蛋白质组学分析对用PEPA介导的EE或LY应激处理的CT26细胞释放的蛋白质水平。 (b)释放蛋白质的维恩图。 (c)PEPA EE应激专门引起的生物过程GO的富集。 (d)由PEPA介导的EE和LY应激诱导的释放蛋白的火山图。 (e)热图和pepa ee和pepa ly之间的蛋白质类型的聚类。 n = 3生物学独立的实验。 (f)用pepa ee或pepa ly胁迫处理后CT26细胞的钙网蛋白(CRT)暴露。 (g)与PEPA EE或PEPA LY处理过的CT26-ova细胞共培养后,在BMDC上,Cotimulation因子(CD80和CD86)(CD80和CD86)和OVA抗原(Siinfekl-h-2k b)的过表达。 通过流式细胞仪量化数据,并将其标准化为PBS治疗。 (h)用pepa ee或pepa ly应激处理的CT26- OVA肿瘤中GSDME裂解和caspase-3激活的免疫印迹。 (i)由pepa ee或pepa ly引起的肿瘤组织的免疫原性(TUNEL,CRT暴露和HMGB1释放)的全面成像。 比例尺= 2 mm。 (j,k)在用pepa ee或pepa ly处理后,从CT26-ova肿瘤小鼠收获的淋巴结中的体内DC激活和OVA的表现。 (J)CD80 + CD86 + DC细胞的百分比,n = 5小鼠。(B-E)蛋白质组学分析对用PEPA介导的EE或LY应激处理的CT26细胞释放的蛋白质水平。(b)释放蛋白质的维恩图。(c)PEPA EE应激专门引起的生物过程GO的富集。(d)由PEPA介导的EE和LY应激诱导的释放蛋白的火山图。(e)热图和pepa ee和pepa ly之间的蛋白质类型的聚类。n = 3生物学独立的实验。(f)用pepa ee或pepa ly胁迫处理后CT26细胞的钙网蛋白(CRT)暴露。(g)与PEPA EE或PEPA LY处理过的CT26-ova细胞共培养后,在BMDC上,Cotimulation因子(CD80和CD86)(CD80和CD86)和OVA抗原(Siinfekl-h-2k b)的过表达。通过流式细胞仪量化数据,并将其标准化为PBS治疗。(h)用pepa ee或pepa ly应激处理的CT26- OVA肿瘤中GSDME裂解和caspase-3激活的免疫印迹。(i)由pepa ee或pepa ly引起的肿瘤组织的免疫原性(TUNEL,CRT暴露和HMGB1释放)的全面成像。比例尺= 2 mm。(j,k)在用pepa ee或pepa ly处理后,从CT26-ova肿瘤小鼠收获的淋巴结中的体内DC激活和OVA的表现。(J)CD80 + CD86 + DC细胞的百分比,n = 5小鼠。(k)抗原阳性DC中的siinfekl显示,n = 4小鼠。(l)在不同治疗后(n = 5小鼠)后CT26-ova肿瘤轴承小鼠中的特定细胞杀死研究。(M)在用CT26细胞重新收集CT26肿瘤的PEPA EE或PEPA LY治疗的含有肿瘤的小鼠中。n = 6鼠;对数秩测试; wt- pepa ee与wt- pepa ly的p = 0.0061。所有数据均表示为平均值±S.D.,所有测量(N)在生物学上都是独立的。
人工智能生成的内容与其他来源不同 AI 生成的内容与您可能引用的其他来源不同。ChatGPT、DALL-E 和类似的 AI 工具根据从数百万个其他来源(AI 工具训练的文档、图像或其他数据)中学习到的常见模式生成文本、图像和其他输出。通常不可能将 AI 生成的内容追溯到它所基于的训练源,也不可能知道 AI 工具本身是如何工作的。AI 工具生成的工作会复制并经常放大训练源中存在的偏见。这些问题以及 AI 工具的其他道德影响超出了本文档的范围,值得单独考虑。想聊聊这一切吗?问图书管理员!
2.文献综述 文献综述简介 争议的开始 13 支持人工智能的立场 14 反对人工智能的论点 16 人工智能与平面设计师的关系 20 基于人工智能的平面设计工具 23 对艺术家整体的风险 24 未经授权使用创作者的图像 24 对版权的困惑 25 模仿艺术家作品的道德问题 27 工作替代 30 积极的前进道路 31 艺术家的反击 31 负责任的人工智能和猖獗的人工智能的风险 32 质疑人工智能 37 情况继续发展 39
摘要:科学知识传统上是通过在期刊、会议论文集和在线档案中发表的研究文章来传播和保存的。然而,这种以文章为中心的范式经常受到批评,因为它不能自动处理、分类和推理这些知识。另一种愿景是生成语义丰富、相互关联的研究出版物内容描述。在本文中,我们提出了人工智能知识图谱 (AI-KG),这是一个自动生成的大规模知识图谱,描述了 820K 个研究实体。AI-KG 包含从 333K 个人工智能领域的研究出版物中提取的大约 14M 个 RDF 三元组和 1.2M 个具体化语句,并描述了由 27 种关系链接的 5 种类型的实体(任务、方法、指标、材料、其他)。 AI-KG 旨在支持各种智能服务,用于分析和理解研究动态、支持研究人员的日常工作以及帮助资助机构和研究政策制定者做出决策。AI-KG 是通过应用自动管道生成的,该管道使用三种工具提取实体和关系:DyGIE++、Stanford CoreNLP 和 CSO Classifier。然后,它使用深度学习和语义技术的组合来集成和过滤生成的三元组,以生成高质量的知识图谱。该管道根据手工制作的黄金标准进行了评估,获得了具有竞争力的结果。AI-KG 在 CC BY 4.0 下可用,可以作为转储下载或通过 SPARQL 端点查询。
模拟物理上逼真的复杂尘埃行为在培训、教育、艺术、广告和娱乐中非常有用。目前还没有公开的模型可以实时模拟行驶车辆产生的尘埃行为。在本文中,我们使用粒子系统、计算流体力学和行为模拟技术来实时模拟尘埃行为。首先,我们分析影响尘埃产生的力和因素以及尘埃粒子产生后的行为。然后,我们构建基于物理的经验模型来生成尘埃粒子并相应地控制行为。我们通过将尘埃行为分为三个阶段并为每个阶段建立简化的粒子系统模型来进一步简化数值计算。我们采用运动模糊、粒子混合、纹理映射和其他计算机图形技术来实现最终结果。我们的贡献包括构建基于物理的经验模型来生成尘埃行为并实现对行为的实时模拟。