XiaoMi-AI文件搜索系统
World File Search Systemopenresearch
推荐引用 推荐引用 Olan, F., Liu, S., Suklan, J., Jayawickrama, U., & Arakpogun, E. (2021) ‘人工智能网络在食品和饮料行业可持续供应链金融中的作用’, International Journal of Production Research, 60(14), pp. 4418-4433。可从以下网址获取：https://doi.org/10.1080/ 00207543.2021.1915510 本文由 PEARL 艺术、人文和商业学院免费提供给您。它已被 PEARL 的授权管理员接受纳入普利茅斯商学院。有关更多信息，请联系 openresearch@plymouth.ac.uk 。
在过去十年中，食品和饮料供应链管理已成为全球运营战略的重要组成部分。由于需求不断增长，全球食品和饮料行业（FDI）正在跨国建立供应链运营，这种扩张为协调连接多供应商的运营带来了挑战，而多供应商正是多层供应链网络的财务推动者。然而，关于 FDI 中人工智能（AI）的文献有限，本研究探讨了供应链网络中的人工智能理论以及 FDI 的替代供应链融资。本研究根据通过文献确定的理论贡献提出了一个新的概念框架，建立了一个概念框架并进一步发展为元框架。本研究探讨了用于数据分析的集合论比较方法，本研究的结果表明，由人工智能技术驱动的供应链网络可能为食品和饮料供应链提供了可持续的融资流。关键词
推荐引用推荐引用 Milne-Ives, M., de, C., Lim, E., Shehadeh, M., de, P., Mole, G., 和 Meinert, E. (2020)《人工智能对话代理在医疗保健中的有效性：系统评价》，医学互联网研究杂志，22(10)。可在以下网址获取：https://doi.org/10.2196/20346 本文由 PEARL 健康学院免费提供给您并开放获取。它已被 PEARL 的授权管理员接受纳入护理和助产学院。有关更多信息，请联系 openresearch@plymouth.ac.uk。
背景：对医疗服务的高需求和人工智能不断增强的能力导致了对话代理的发展，旨在支持各种与健康相关的活动 - 包括行为改变、治疗支持、健康监测、培训、分类和筛查支持。这些任务的自动化可以让临床医生专注于更复杂的工作，并增加公众获得医疗服务的可及性。需要对这些代理在医疗保健领域的可接受性、可用性和有效性进行总体评估，以收集证据，以便未来的发展可以针对需要改进的领域和可持续采用的潜力。目的：本系统评价旨在评估对话代理在医疗保健领域的有效性和可用性，并确定用户喜欢和不喜欢的元素，为这些代理的未来研究和开发提供信息。方法：系统地搜索了 PubMed、Medline（Ovid）、EMBASE、CINAHL、Web of Science 和 ACM 数字图书馆，查找自 2008 年以来发表的评估医疗保健中使用的不受约束的自然语言处理对话代理的文章。使用 Endnote（X9 版；Clarivate Analytics）参考文献管理软件进行初步筛选，然后由一名审阅者进行全文筛选。提取数据并由一名审阅者评估偏倚风险，由另一名审阅者验证。结果：共选定了 31 项研究，包括各种对话代理——14 个聊天机器人（其中两个是语音聊天机器人）、6 个具体对话代理、3 个交互式语音应答电话、3 个虚拟患者和 3 个语音识别筛选系统，以及一个上下文问答代理和一个语音识别分类系统。总体而言，报告的证据大多是正面的或混合的。可用性和满意度表现良好（27/30 和 26/31），四分之三的研究（23/30）发现了积极或混合的有效性，但在具体的定性反馈中强调了代理的几个局限性。结论：研究通常报告了对所研究的对话代理的有效性、可用性和满意度的积极或混合证据，但定性用户感知更加复杂。许多研究的质量有限，需要改进研究设计和报告，以更准确地评估这些药物在医疗保健中的实用性并确定需要改进的关键领域。进一步的研究还应分析这些药物的成本效益、隐私和安全性。
推荐引用 推荐引用 Duell, J., Fan, X., Burnett, B., Aarts, G., & Zhou, S. (2021) ‘可解释的人工智能方法对电子健康记录分析的解释比较’，2021 年 IEEE EMBS 国际生物医学和健康信息学会议 (BHI)，。网址为：https://doi.org/10.1109/bhi50953.2021.9508618 本文由 PEARL 健康学院免费提供给您，可供开放获取。它已被 PEARL 的授权管理员接受纳入护理和助产学院。有关更多信息，请联系 openresearch@plymouth.ac.uk。
摘要 —可解释人工智能 (XAI) 旨在为用户提供可理解的解释。SHAP、LIME 和 Scoped Rules 等 XAI 算法计算机器学习预测的特征重要性。尽管 XAI 引起了广泛研究关注，但将 XAI 技术应用于医疗保健以指导临床决策具有挑战性。在本文中，我们对 XAI 方法给出的解释进行了比较，作为分析复杂电子健康记录 (EHR) 的第三级扩展。利用大规模 EHR 数据集，我们根据 XAI 模型估计的预测重要性比较 EHR 的特征。我们的实验结果表明，所研究的 XAI 方法会根据具体情况生成不同的顶级特征；它们在共享特征重要性方面的差异值得领域专家进一步探索，以评估人类对 XAI 的信任。索引词 —可解释的人工智能、黑盒、玻璃盒、机器学习、电子健康记录
推荐引用 推荐引用 Koutsouvelis, V., Shiaeles, S., Ghita, B., & Bendiab, G. (2021) '使用人工智能和可视化检测内部威胁'，网址：https://doi.org/10.48550/arxiv.2109.02417 本文由 PEARL 科学与工程学院免费提供给您，供您开放访问。它已被 PEARL 授权管理员接受纳入工程、计算和数学学院。有关更多信息，请联系 openresearch@plymouth.ac.uk 。
摘要 — 内部威胁是公司或组织 IT 系统和基础设施最具破坏性的风险因素之一；识别内部威胁引起了全球学术研究界的关注，并提出了多种解决方案来减轻其潜在影响。为了实施本研究中描述的实验阶段，使用卷积神经网络 (CNN) 算法并通过 Google TensorFlow 程序实施，该程序经过训练可以从可用数据集生成的图像中识别潜在威胁。通过检查生成的图像并借助机器学习，可以回答每个用户的活动是否被信息系统归类为“恶意”的问题。
Wakefield, Graham 和 Ji, Haru Hyunkyung (2021) 人工智能装置“Infranet”中的创意人工智能。收录于：EVA London 2021 论文集，2021 年 7 月 5 日至 9 日，英国伦敦。网址：http://openresearch.ocadu.ca/id/eprint/3482/
作者探讨了如何从计算创造力和生态系统艺术的角度批判性地质疑当前主流的数据驱动型人工智能方法。这集中在对未来的批判上，认为未来被过去过度决定；无论是从使用的数据，还是从训练所假设的问题或目标来看。本文的主要贡献是将替代的创造性方法应用于受自然启发的人工智能，并通过作者的作品“Infranet”中的体现来详细介绍其中一些方法。Infranet 是一个神经进化艺术装置，于 2018-2019 年在三个国际地点展出。它使用主办城市的地理空间数据不是作为训练材料，而是作为人工生命的栖息地。与基于训练的人工智能系统相比，在 Infranet 中没有目标或适应度函数，而且进化压力或竞争非常小。此外，它避开了大型和预先指定的神经网络结构的趋势，转而采用数千个小型相互作用的神经网络群体，每个神经网络都有不同的结构，处于“流动”的连续重组过程中；与生物和生态系统中一些当代非意识认知的理论和模型产生共鸣。