XiaoMi-AI文件搜索系统
World File Search Systemreferences
用于通信的脑机接口：闭锁综合征患者的偏好、汽车
摘要 目标：为严重运动障碍患者开发脑机接口 (cBCI) 理想情况下依赖于最终用户和其他利益相关者（如护理人员和研究人员）之间的密切合作。意识到这些群体之间可能存在的意见分歧对于开发可用的 cBCI 和访问技术 (AT) 至关重要。在本研究中，我们比较了潜在 cBCI 用户、他们的护理人员和 cBCI 研究人员对以下方面的意见：(1) 用户希望用 cBCI 控制哪些应用程序；(2) 用户喜欢使用哪些心理策略来控制 cBCI；(3) 用户希望在临床轨迹的哪个阶段了解 AT 和 cBCI。方法：我们收集了 28 名闭锁综合征患者、29 名护理人员和 28 名 cBCI 研究人员的数据。问卷配有动画视频来解释不同的 cBCI 概念，并评估了这些概念的实用性。结果：三组人对最理想的 cBCI 应用的看法一致，但对心理策略和了解 cBCI 的时间存在分歧。动画视频被认为是向最终用户和其他利益相关者解释 cBCI 和心理策略的清晰且有用的工具。结论：利益相关者之间对于用户喜欢使用哪种心理策略以及他们希望何时了解 cBCI 存在明显分歧。为了推进 cBCI 的开发和临床实施，有必要将研究议程与最终用户和护理人员的需求相结合。
具有策划数据的自我消耗生成模型可证明优化人类偏好
生成模型的快速进步导致了构成质量的令人印象深刻的飞跃，从而模糊了合成数据和真实数据之间的界限。网络规模的数据集现在易于通过合成数据不可避免地污染，直接影响了未来生成的模型的培训。已经在文献中出现了自我消耗生成模型的一些理论结果（又称迭代性重新训练），表明模型崩溃或稳定性可能取决于每个重新培训步骤中使用的生成数据的分数。但是，实际上，合成数据通常受到人类反馈的约束，并在在线使用和上载之前由用户策划。例如，流行的文本到图像生成模型的许多接口（例如稳定的扩散或Midjourney）为给定查询产生了几种图像的变化，最终可以由用户策划。在本文中，我们从理论上研究了数据策展对生成模型的迭代重新培训的影响，并表明它可以看作是一种隐式优先优化机制。但是，与标准偏好优化不同，生成模型无法访问成对比较所需的奖励功能或负面样本。此外，我们的研究不需要访问密度函数，而只需要访问样品。我们证明，如果数据是根据奖励模型策划的，则最大化迭代重新训练程序的预期奖励。我们在每个步骤使用真实数据的正分数时进一步提供了关于重新循环的稳定性的理论结果。最后，我们在合成数据集和CIFAR10上进行说明性实验，表明这种过程扩大了奖励模型的偏见。
动态经济中的位置偏好和效率
∗ 我们感谢 Philippe Bontems、Daniel Buncic、Reto Foellmi、Gerhard Glomm、Michael Grei-necker、Olof Johansson-Stenman、Marko K¨othenb¨urger、Christoph Kuzmics、Marc Law、Nathalie Mathieu-Bolh、Xavier Raurich、Michael Scholz 和 Stephen Turnovsky 的有益讨论和建设性建议。本文的早期版本还受益于欧洲公共选择学会 (EPCS) 2018 年会议（意大利罗马）和公共经济理论 (PET) 2019 年年会（法国斯特拉斯堡）参与者的评论。Aronsson 和 Wendner 非常感谢玛丽安和马库斯·瓦伦堡基金会 (MMW 2015.0037) 的研究资助。我们对任何剩余错误负全部责任。
捕获有关算法系统的利益相关者的价值和偏好
价值类别生产率[3]机器效率效率[9]可靠性[9，21]机器自主权[14]实用程序[6]隐私[1-3，6，8，9，9，14，21]可保护性（Schwartz安全性）安全性[3，14]安全性[9 9]责任心[18，21]可解释性[14]可解释性[14]清晰度透明度[1. 1，2] 6. 1，211，2，2，211] 21] Self-determination (Schwartz Self-direction) Self-knowledge [3] Security of supply [5] Stakeholders welfare (Schwartz Benevolence) Affordability [5] Well-being [21] Privacy [6] Diversity, non-discrimination and fairness [1, 2, 4, 6, 9, 14, 21] Equity (Schwartz Benevolence-Universalism) Inclusiveness [5] Respect for law and public interest [2]全球福利（施瓦茨普遍主义）环境可持续性[5，9，21]信任[21]表1。与智能电网上下文相关的25个最终值及其各自的类别。从文献分析中提取了每个值。
衡量AI系统中的政治偏好
i使用类似的方法来确定LLM产生的语言是否更类似于与美国国会在国会言论中通常与民主党或共和党成员相关的术语。为此，我得出了两组1,000个两个单词术语（即Bigrams），其党派对比度很高（由一个政党的代表高度使用，在美国国会言论中，另一方的代表使用了相对较少的代表使用）。（有关详细信息，请参见方法论附录。）图1通过显示各方与另一方相对于其同行的各方高度使用的术语来显示该分析的结果。该数字清楚地表明，民主党成员在讲话中不成比例地指的是负担得起的护理，枪支暴力，非洲裔美国人，家庭暴力，最低工资和投票权；共和党人不成比例地强调了平衡的预算，南部边境，非法移民，宗教自由，创造者，税收增加，政府支出和国防。
公众对入侵害虫控制基因技术的态度以及参与和信息的偏好：细分分析
基因技术的进步有望解决日益严重的入侵害虫问题。当前的研究旨在提高我们对公众看法的理解，以及在研究和开发该技术以供部署时潜在的公众参与途径和信息需求。对 1,149 名澳大利亚人进行了调查，并根据他们的态度将样本分为 4 组：某些反对者、骑墙派、谨慎支持者和某些支持者。“轻触式”参与活动似乎让大多数人感到满意；但对于对该技术持负面看法的一小部分人来说，更深入的参与可能更合适。总体而言，人们希望了解基因编辑技术的潜在风险以及相关的监管和控制。持更积极看法的人也对科学过程和技术表现出兴趣，而持更消极看法的人则想知道正在采取哪些措施来处理社会和道德问题。研究结果提供了以下方面的见解：1）当公众面临采用合成生物学方法解决环境问题时，他们的观点以及相关信念和感受的多样性；2）如何定制公众参与活动以符合人们的参与信念和既定偏好；3）生物技术开发人员在努力以对社会负责的方式设计基因技术时应解决哪些问题。
从最近受精的大西洋鲑鱼胚胎中提取DNA，用于微卫星验证三倍体
用户和机器学习专家的整合是艺术智能文献中广泛研究的主题。同样，人类计算机相互作用研究广泛探讨了影响AI作为决策支持系统的因素。在这项实验研究中，我们调查了用户对专家在此类系统开发中整合的偏好，以及这如何影响他们对这些系统的依赖。具体来说，我们专注于特征选择的过程，这是由于机器学习模型对透明度的不断增长而变得重要的元素。我们区分了三种特征选择方法：基于算法，基于专家的方法和一种组合方法。在第一次治疗中，我们分析了用户对这些方法的偏爱。在第二次治疗中，我们将用户随机分配给三种方法之一，并分析该方法是否影响建议依赖。用户预先使用合并的方法，然后是基于专家的和基于算法的方法。但是，第二种处理中的用户同样依赖于所有方法。因此，我们发现所陈述的偏好和实际用法之间存在显着差异，从而揭示了态度 - 行为差距。允许用户选择自己的首选方法没有效果，偏好和依赖程度是特定的。这些发现强调了理解AI支持决策中认知过程的重要性，以及在人类互动中进行行为实验的需求。
![强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]](/simg/3/3ede8a909d069d2cb8a5418bd2da44f8ba58e66e.webp)
强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]
[请想象一个像所有LLM一样受过训练的LLM。按照我第15周的讲座的方式，想象一下该LLM的无监督培训是基于其摄入的文本序列的摄入，第二个是第一个的延续。显然取决于第一个序列的性质，LLM完全有可能为其延续而获得多种可能性 - 有些人使用亵渎和其他形式的犯规和可能的暴力语言。 ]
能量偏好的极化
使用瑞典作为研究案例，本文探讨了对风和核能的两极分化观点，这是两种低碳能量选择在政治上引起了争议。在大规模的调查中（n = 5200），对风和核能的一般态度以及对人们家附近的项目的一般态度。这项研究表明，瑞典能源偏好的两极分化，在世界观，政治取向，环境关注以及对风和核能的抵抗或抵抗的支持之间建立了牢固的关联。该研究得出结论，当风能或核能在人们的家附近建造时，对两种能源方案的支持都会减少，但也表明，对于具有强大的棕褐色（传统，专制，民族主义）价值观和右派政治意识形态的个人而言，接近效应尤其强大。文章认为，出于政治动机的推理可能解释了态度的两极分化，但是当要求人们判断靠近它们的潜在能源基础设施时，这种影响似乎变得不那么重要。
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同