XiaoMi-AI文件搜索系统
World File Search Systemgenerated
深入研究人工智能摘要的语言特征
科学学术文章的摘要是一种元话语，由明确的语言标记和表达方式组成，使作者能够总结自己的话语。它在传达研究意图方面起着至关重要的作用，并使读者能够决定文章是否有趣。写得好的摘要是一种连贯而有凝聚力的文本，它用有限的字数传达了研究目标、简要背景和研究结论。由于 ChatGPT 1 (CG) 生成的文本自信而流畅，研究人员最近使用它来生成科学学术文本。最近，CG 撰写的几篇期刊和会议出版物已经亮相[2、15、23]。然而，科学家们对 ChatGPT 在科学[21、22]和教育[1、17]中的使用提出了严重担忧。大型语言模型生成的语言流畅度令人震惊，它对人类编写的文本和人工智能生成的文本之间的区分提出了挑战。早期的研究工作在好奇心的驱使下，揭示了 QA [ 13 ]、通用 [ 8 , 14 , 19 ] 文本中人类书写文本和 CG 文本的语言模式差异。由于人工智能在成功生成科学学术文本方面已被证明有用 [ 2 , 15 ]，现在有必要开发工具来识别已提交论文中人工智能生成的内容并检测论文写作中的不道德行为。这方面的研究服务于
人工智能生成文本检测工具的测试
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可协议的链接，并指明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可协议中，除非在资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativecommons.org/publicdo‑main/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
AI 生成数据的永动机和“ChatGPT 作为科学家”的干扰
与自然语言处理和计算机视觉等更传统的人工智能领域相比，科学的一个主要区别因素是相对缺乏适合科学领域的公开数据（见附录）。科学领域现有的数据少得多，而且这些数据通常被学术界和公司孤立起来。获取适合人工智能的科学数据通常不仅需要训练有素的人员，还需要配备昂贵设备的高端设施，与人类每天简单地在万维网上添加大量图像、文本、音频和视频相比，这是一个整体昂贵而缓慢的努力。更不用说坐在电脑前的人，在标记数据的情况下，对这些模态进行简单的标记。
信息来源披露对人工智能生成信息评估的影响：一项两部分研究
过去十年来，人工智能 (AI) 的进步表明，机器可以表现出交流行为，并影响人类的思维、感受和行为方式。事实上，ChatGPT 的最新发展表明，大型语言模型 (LLM) 可用于大规模和跨领域生成高质量的通信内容，这表明它们将在实践中得到越来越多的应用。然而，关于了解消息来源如何影响接收者对人工智能生成的消息与人类生成的消息的评价和偏好，仍有许多问题。本文在电子烟预防信息的背景下研究了这一主题。在预先注册的研究 1 中，我们研究了来源披露对人们对人工智能生成的健康预防消息与人类生成的消息的评价的影响。我们发现来源披露（即将消息来源标记为人工智能与人类）显著影响了对消息的评估，但并没有显著改变消息排名。在一项后续研究（研究 2）中，我们研究了来源披露的影响如何因参与者对人工智能的消极态度而变化。我们发现，对人工智能的负面态度对信息评估有显著的调节作用，但对信息选择没有影响。然而，对于那些对人工智能持中等程度负面态度的人来说，信息来源的披露降低了人们对人工智能生成的信息的偏好。总体而言，这一系列研究的结果表明，一旦披露了信息来源，人们对人工智能生成的信息就会产生轻微的偏见，这为人工智能和通信交叉领域的新兴研究增添了新内容。
ConDA：用于 AI 生成文本检测的对比域自适应
大型语言模型 (LLM) 越来越多地用于生成各种用例中的文本，包括新闻文章。鉴于这些 LLM 可能用于大规模生成虚假信息的潜在恶意性质，为此类 AI 生成的文本构建有效的检测器非常重要。鉴于新 LLM 开发的激增，获取监督检测器的标记训练数据是一个瓶颈。但是，可能有大量未标记的文本数据可用，而没有关于它来自哪个生成器的信息。在这项工作中，我们解决了这个数据问题，即检测 AI 生成的新闻文本，并将问题构建为无监督领域自适应任务。这里的域是不同的文本生成器，即LLM，我们假设我们只能访问标记的源数据和未标记的目标数据。我们开发了一个对比域自适应框架，称为 ConDA，它将标准域自适应技术与对比学习的表示能力相结合，以学习对最终无监督检测任务有效的域不变表示。我们的实验证明了我们框架的有效性，平均性能提升了 31 .与最佳表现基线相比提高了 7%，在 0 .全监督检测器的 8% 范围内。我们所有的代码和数据都可以在这里找到。
拓扑，批判性和动态生成的量子位...
我们考虑了在二维中的拓扑顺序的范式可解的模型，即基塔耶夫的hon-eycomb hamiltonian，并将其转变为一个仅测量的动力学，该动力学由两qubit键键操作员的随机调查组成。我们找到了一个纠缠相图，在某些方面与哈密顿问题的相似，而在其他方面则在质量上有所不同。主要测量一种类型的键时，我们发现区域法纠缠的相位，可以在系统大小的时间指数上保护两个拓扑量子（在圆环上）。这将最近提供的Floquet代码的概念泛滥，其中逻辑量子位是通过时间周期测量时间表动态生成的，它是随机设置的。当所有类型的债券以可比的频率测量时，我们发现一个临界阶段对违反该区域的键，该阶段将其与哈密顿量对应物区分开来。临界阶段具有与三方共同信息所诊断的相同拓扑Qubits相同的集合，但仅在系统大小的时间多项式中保护它们。此外，我们观察到了混合状态的动态纯化的异常行为，在后期，动态指数Z = 1 /2（一种通过测量实现的超级焊接动力学）的特征。
轨道角动量基于量子点源产生的基于粒子内和颗粒间的纠缠状态
摘要。具有轨道角动量（OAM）的工程单光子状态是量子信息光子实现的强大工具。的确，由于其无限的性质，OAM适用于编码Qudits，允许单个载体传输大量信息。大多数实验平台采用自发参数下转换过程来生成单个光子，即使这种方法本质上是概率的，从而导致越来越多的Qudits的可伸缩性问题。半导体量子点（QD）已通过产生纯粹和难以置信的单光子状态来克服这些限制，尽管直到最近它们才被利用来创建OAM模式。我们的工作采用明亮的QD单光子源来生成一组完整的量子状态，用于使用OAM端子光子进行信息处理。我们首先研究了单个光子自由度之间的杂种内部内部纠缠，其制剂通过Hong -OU - ou -andel可见性认证。然后，我们通过利用概率纠缠栅极来研究杂化粒子核心绿色的纠缠。通过执行量子状态层析成像并违反贝尔的不平等，可以评估我们的方法的性能。我们的结果铺平了使用确定性来源的方式，用于按需生成光子高维量子状态。
作者身份和人工智能生成的作品：一种新方法......
版权保护的演变最初始于 16 世纪印刷技术的出现，但随着 21 世纪技术的创新和发展，这一演变遇到了一系列新的困难。版权标准的保护和实施基于通过立法制定的法律。本文认为，人工智能产生的创意作品是原创的，应该获得版权保护。人工智能的发展是一项重大而有影响力的技术进步，促进了前所未有的独特创造力的出现和融合。人工智能的生产力在各个领域都经历了显著的增长。本文研究了人工智能作品的所有权与版权保护之间的关系，以探讨授予此类作品版权保护的理由。本文分析了与数字版权相关的当前困难和未来可能的发展。提出的混合所有权模型建议授予人工智能系统、其程序员、用户和公司法律身份，所有这些都包含在一个名为人工智能人格 (AiLE) 的法律实体中。本文建议有必要进行法律修改，以处理和建立保护版权和拥有尼日利亚和其他司法管辖区人工智能创作的原创作品的新基础。
研究发现，可靠地检测人工智能生成的文本是不可能的
马里兰州学院公园市敲响了警钟。根据最近的一项研究，研究人员怀疑是否有可能可靠地检测出人工智能生成的文本。计算机科学教授 Soheil Feizi 与四名博士生一起研究了“人工智能生成的文本能被可靠地检测到吗？”不幸的是，他们的答案是否定的。鉴于大型语言模型 (LLM) 可用于抄袭、进行令人信服的社会工程攻击和大规模传播错误信息，这项研究绝对令人担忧。当前的人工智能生成文本检测工具还有很多不足之处 OpenAI 的人工智能生成文本检测器非常不准确。事实上，OpenAI 承认它并不可靠，因为该工具只能正确识别 26% 的人工智能书写文本（真阳性）。此外，有 9% 的时间，它会将人类编写的文本错误地标记为 AI 编写的文本（误报）。市场上另一种流行的工具 GPTZero 本质上是测量给定文本的随机性。根据 GPTZero 的 FAQ 页面，该工具能够在 99% 的时间内识别人类创建的文本，在 85% 的时间内识别 AI 生成的文本，尽管有些人可能对这种说法感到不满。可以可靠地检测 AI 生成的文本吗？通过实证分析，马里兰大学的学者研究了市场上几种流行的 AI 文本检测模型，发现它们并不可靠。通过研究水印方案、零样本分类器和基于神经网络的检测器，他们发现释义攻击可以帮助对手逃避人工智能检测。他们写道：“我们表明，释义攻击（将轻量级基于神经网络的释义器应用于人工智能生成模型的输出文本）可以逃避各种类型的检测器。”此外，他们声称基于水印的检测器很容易被欺骗，使其看起来像是人造文本被加了水印。这样的对抗性欺骗