XiaoMi-AI文件搜索系统
World File Search Systemiis
ndiis 疫苗名称/缩写 疫苗...
COVID19 (CONVIDECIA) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (COVAXIN) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (EpiVac non-US) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (MDO-Covifenz) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (MOD biv non-US) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (PFR biv non-US) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (QAZCOVID non-US) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (Sinopharm) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19 (Sinovac) 非美国疫苗产品，仅用于记录历史免疫接种 COVID19（SputnikV 非美国） 非美国疫苗产品，仅用于记录历史免疫接种 COVID19（未指定） COVID-19 疫苗，未指定配方
doi：https：//doi.org/10.48009/4_IIS_2024_135抗病毒应用程序的分析机学习算法：关于决策树的研究，支持ve ve
机器学习（ML）方法和工具正在重塑网络安全格局，从而增强了组织的整体准备，以确保流程和数据的机密性，完整性和可用性。在网络安全，独立响应和检测领域，正在广泛使用AI工具。这项研究深入研究了三种著名的机器学习算法（决策树，支持机器和神经网络）在增强防病毒决策和响应能力方面的有效性。我们的研究包括有关在网络安全事件响应和检测域中使用ML技术的广泛文献综述，已经产生了重要的发现。我们探讨了它们在定位和有效阻止传入的恶意软件方面的有效性，我们讨论了这些发现的含义，并建议未来的研究方向。关键字：机器学习，神经网络，决策树，支持向量机，内容分析，AI
DOI：https://doi.org/10.48009/1_iis_2024_132 赋能人工智能实现知识管理增强
本研究调查了人工智能 (AI) 在增强知识管理 (KM) 系统方面的变革潜力。组织面临着大量数据积累和碎片化知识孤岛的挑战，传统管理系统无法有效解决这些问题。本研究重点介绍了如何自动化知识捕获、检索和综合以提高组织绩效。本研究致力于释放人工智能的潜力，推动组织走向知识管理高效、本质上协作和精明的未来，标志着数字时代组织动态的重大演变。关键词：人工智能、决策、生成人工智能、知识管理、组织绩效、问题解决
doi：https：//doi.org/10.48009/3_IIS_2024_110 A I模型的比较以检测图像中隐藏消息
隐身是在看似无害的封面媒体中隐藏秘密信息的艺术，对数字安全和法医分析提出了重大挑战。随着数字图像用作隐藏数据的载体的越来越多，必须有效，准确的切解技术的需求。这项研究比较了几种机器学习模型，包括K-Nearest邻居，高斯，多层感知器，随机森林，随机森林，AA未经训练的卷积神经网络以及一个被称为RESNET-18的预先卷积神经网络模型，称为RESNET-18，在其有效性的情况下，在其有效性的图像中具有sepnagomhichosics Messect embedded empedded的有效性。研究发现，卷积神经网络是检测具有99％准确性的地理含量的最佳模型。
DOI： https://doi.org/10.48009/4_iis_2024_125 美国学生对人工智能的看法（大约 2024 年）
人工智能 (AI) 作为一种计算概念，已被研究人员和行业专业人士研究了 70 多年，尽管它在过去四年中才真正引起人们的注意、普及和大规模采用。人工智能已经从一个受计算处理限制的抽象概念发展到几乎不引人注意地应用于日常生活中。与许多其他行业一样，学术界已经意识到并研究了人工智能，但从未真正为它的整合做好准备。直到 2022 年推出 ChatGPT，大学才开始看到影响并起草了有关使用的政策。本研究旨在通过报告最近关于大学生对人工智能的看法和使用的调查结果来扩展先前的研究。然后对调查结果进行分析，以计算将人工智能整合到大学课程中的潜在影响。研究结果证实，学生对人工智能的使用持开放和好奇的态度，因此可能愿意接受课程变化，尽管仍然存在道德方面的担忧，但这些担忧似乎掩盖了负面因素。
DOI：https://doi.org/10.48009/2_iis_2024_134 学生对人工智能 (AI) 的好处和机遇的看法
本研究旨在确定学生对人工智能的好处和机会的看法，重点关注人工智能的使用、年龄、性别、专业和大学状况等变量。我们设计并开发了一种具有两个构造的工具来衡量学生对人工智能的好处和机会的看法。该工具以电子方式向美国东南部两所大学的学生发放。我们共收集了 463 个可用数据并通过方差分析进行了分析。在人工智能的使用、性别、专业、大学状况和人工智能的好处之间发现了显著的群体差异。对于人工智能机会，仅在人工智能的使用方面发现了显著的群体差异。我们讨论了这些结果，并提出了未来研究的建议。关键词：人工智能、好处、机会、高等教育、看法
DOI：https://doi.org/10.48009/3_iis_2024_119 研究学术界对生成人工智能的采用：UTAUT 的观点 Adam Patterson
过去几年，人工智能 (AI) 技术在高等教育机构中发展迅速，引发了人们对这些计算机系统的使用和潜在接受因素的质疑。本研究利用先前建立的技术接受和使用统一理论 (UTAUT) 模型，调查了学生采用生成式 AI 工具（也称为聊天机器人）的特点。使用从 74 名受访者的调查中收集的数据部署了偏最小二乘回归 (PLSR) 模型，以检查哪些 UTAUT 构造正在影响本科生对生成式 AI 工具的使用行为。了解 AI 接受的因素对教育工作者很有价值，因为他们可以设计课堂干预措施以提高学生群体（尤其是延迟用户）的学术和专业潜力。此外，对采用属性的洞察可能有助于了解 UTAUT 框架下的生成式 AI 接受度。结果表明，生产力提高、导师观点、同行使用和执行任务的广泛性推动了生成式 AI 在学术环境中的采用。此外，实证结果发现，性别和年龄等人口统计数据并不是影响生成式 AI 使用的因素。建议未来的研究将本研究的结果与基于价值的采用模型 (VAM) 进行比较，以证实学生在边际效益与边际成本权衡环境中采用的特征。关键词：生成人工智能、技术采用、UTAUT、本科生、教育
DOI：https://doi.org/10.48009/1_iis_2024_128 关于在信息技术领域使用人工智能 (AI) 的积极和消极影响的定量研究 Mel Tomeo，西部州长大学，mel.tomeo@wgu.edu Wilfred Mutale，杜肯大学，mutalew@duq.edu Vasilka Chergarova，佛罗里达国际大学，vchergar@fiu.edu Harlan Brewer，西部州长大学，harlan.brewer@wgu.edu John J. Scarpino，华盛顿州立大学，john.scarpino@wsu.edu
本研究的目的是了解生成人工智能 (AI) 工具如何可能对信息技术领域造成积极和消极影响。尽管之前的研究对人工智能对 IT 领域的多种影响提出了有价值的观点，但很少有人关注研究生成人工智能工具如何在 IT 领域带来不利和有益的影响。为了填补这一研究空白，本研究采用了一项定量研究来衡量生成人工智能工具如何可能对信息技术领域造成积极和消极影响。数据是通过 2024 年 3 月 1 日至 2024 年 4 月 1 日期间在 LinkedIn 上开展的一项调查收集的。调查的目标人群是大学讲师和 IT 领域的专业人士。共有 52 名参与者完成了调查。研究结果表明，IT 专业人士和教育工作者对使用人工智能工具的看法存在显著的正负关系。本研究为旨在研究使用人工智能工具的积极和消极影响的理论做出了贡献。关键词：人工智能（AI）、影响评估、AI采用和创新、数据安全和隐私、自动化风险、技术进步
DOI：https://doi.org/10.48009/2_iis_2024_132 将人工智能 (AI) 融入游戏开发，提升多样化游戏元素 Vasilka Chergarova，佛罗里达国际大学，vchergar@fiu.edu Mel Tomeo，迈阿密戴德学院，mtomeo@mdc.edu Heidi Morgan，南加州大学，hlmorgan@isi.edu Sandra Andrade，迈阿密戴德学院，sandrad1@mdc.edu
本研究考察了人工智能 (AI) 在游戏开发中的变革潜力，旨在解决传统游戏开发方法面临的挑战并增强玩家体验。探讨了游戏中人工智能的历史演变和当前趋势，强调了人工智能的日益融合及其对游戏玩法的影响。确定了传统游戏开发中的关键挑战，包括手工制作内容和静态人工智能行为的局限性。研究了人工智能在游戏开发中的各种应用，例如角色行为建模、对手人工智能、程序内容生成、动态难度调整和自然语言处理。实施策略部分概述了技术考虑因素、开发方法以及将人工智能集成到游戏开发流程中的可用工具和框架。研究了在游戏玩法的不同方面利用人工智能技术的成功游戏案例研究，强调了它们对玩家参与度和留存率的影响。本研究最后总结了主要发现，重申了人工智能在塑造游戏开发未来方面的重要性，并敦促开发人员采用人工智能技术来创造创新和身临其境的游戏体验。关键词：人工智能、游戏开发、游戏玩法增强、对手智能、程序内容生成、交互式体验、游戏创新
DOI：https://doi.org/10.48009/2_iis_2024_116 网络分析：对垃圾邮件过滤的机器学习算法的检查 Taiwo Ajani，Universi
本研究通过开发一种混合垃圾邮件过滤模型，填补了理论和应用方面的空白。该模型将随机森林分类器的稳健性与神经网络的复杂模式识别能力以及朴素贝叶斯的概率推理相结合，以增强数据安全和网络分析能力。我们重申垃圾邮件过滤在应对网络安全挑战中的重要性，并强调现有技术的优势和局限性；并论证了强大的垃圾邮件过滤系统在应对日益演变的垃圾邮件威胁方面的重要性。在初步评估的六种预测方法中，随机森林 (RF) 分类器被评为最有效的模型，其最高准确率达到 95.87%，最低误分类错误率仅为 4.13%，并且在识别真阳性和真阴性方面表现均衡。随机森林、神经网络和朴素贝叶斯算法的混合使用进一步将准确率提升至 97.22%。关键词：随机森林分类器、垃圾邮件过滤、支持向量机、决策树、朴素贝叶斯、神经网络、网络分析