XiaoMi-AI文件搜索系统
World File Search Systemusers
运动意象过程中的 ERD 调节与用户特征和 BCI 性能相关
摘要 — 提高用户表现是基于运动想象 (MI) 的 BCI 控制的主要问题之一。MI-BCI 利用运动和感觉运动皮层上的感觉运动节律 (SMR) 的调制来区分几种心理状态并实现用户交互。这种调制被称为事件相关去同步 (ERD) 和同步 (ERS)，来自 mu (7-13 Hz) 和 beta (15-30 Hz) 频带。这种 BCI 开辟了有希望的领域，特别是控制辅助技术、运动训练甚至中风后运动康复。然而，MI-BCI 在实验室外仍然很少使用，主要是因为它们缺乏稳健性和可用性（15% 到 30% 的用户似乎无法控制 MI-BCI）。提高用户表现的一种方法是更好地了解用户特征与 BCI 性能背后的 ERD/ERS 调制之间的关系。因此，在本文中，我们在一个包含 75 名参与者的大型 MI-BCI 数据库中分析了 MI 任务（即 ERD 和 ERS）背后的大脑运动模式如何根据 (i) 任务性质（即右手 MI 和左手 MI）、(ii) 执行任务的会话（即校准或用户培训）和 (iii) 用户特征（例如年龄、性别、手动活动、性格特征）进行调节。本研究的独创性之一是将与用户特征相关的人为因素研究与 MI 任务期间的神经生理 ERD 调节结合起来。我们的研究首次从 16PF5 问卷中揭示了 ERD 与自我控制之间的关联。
大型语言模型如何解释用户所感知的业务流程？ ⋆
大型语言模型（LLM）接受了大量文本培训，以解释和生成类似人类的文本内容。他们正在成为实现自动企业愿景的重要工具，如今组织积极采用LLM来自动化其运营的许多方面。llms可能在未来的A-AVEN-AFMENT ADMENT业务流程管理系统（ABPMS）餐饮功能中发挥着重要作用。这样一个系统的功能是情况感知的解释性（SAX），它与生成因果关系且人性化解释的解释有关，这些解释考虑了发生的过程上下文。在本文中，我们介绍了为生成SAX解释而开发的SAX4BPM框架。SAX4BPM套件由一组服务和一个中央知识存储库组成。这些服务的功能是引起萨克斯解释的各种知识成分。这些成分之间的关键创新组件是因果关系执行视图。在这项工作中，我们将框架与LLM集成在一起，以利用其功能来合成各种输入成分，以改善SAX的解释。由于将LLM用于SAX，还伴随着一定程度的疑问，与其充分实现SAX的能力以及其幻觉的趋势以及缺乏固有的推理能力有关，我们对生成解释的感知质量进行方法论评估。为了实现这一目标，我们开发了指定的量表并进行了严格的用户研究。我们的发现表明，呈现给LLMS的输入有助于其性能的后卫，从而产生了萨克斯的解释，具有更好的忠诚度。对信任和好奇心的感知来调节这种改进。更重要的是，这种改进是以解释的可解释性为代价。
包含用户个人资料信息的大型脑电图数据库，用于运动想象脑机接口研究
我们展示并分享了一个大型数据库，其中包含来自 87 名人类参与者的脑电信号，这些信号是在一天的脑机接口 (BCI) 实验中收集的，分为 3 个数据集 (A、B 和 C)，所有数据集均使用相同的协议记录：右手和左手运动想象 (MI)。每个会话包含 240 次试验（每个类别 120 次），代表超过 20,800 次试验，或大约 70 小时的记录时间。它包括相关 BCI 用户的表现、有关人口统计、个性特征以及一些认知特征的详细信息以及实验说明和代码（在开源平台 OpenViBE 中执行）。这样的数据库可用于各种研究，包括但不限于：(1) 研究 BCI 用户的个人资料与其 BCI 表现之间的关系，(2) 研究 EEG 信号属性如何因不同用户的个人资料和 MI 任务而变化，(3) 使用大量参与者设计跨用户 BCI 机器学习算法或 (4) 将用户的个人资料信息纳入 EEG 信号分类算法的设计中。
带绝对过滤器 H13 级的扩散器
NAF 扩散器配备一个集气箱，集气箱侧面或顶部带有圆形连接管，连接管上带有阻尼器。阻尼器有两种版本：适用于带杠杆的箱内版本和适用于连接管旁边的箱外版本。标准集气箱由涂有 RAL 9010 色的镀锌钢制成。可根据要求由不锈钢制成。在标准版本中，集气箱外壳内安装有用于连接压差开关的短管。该箱标配连接管，用于过滤器完整性控制（执行示踪气体泄漏测试）。箱体结构允许使用符合 ISO 14644 的测试方法：洁净室和相关受控环境 - 第 3 部分：测试方法
设备目录和外部用户的专业知识
该配备合适探针的设备用于以液态形式制备的各种溶液或样品中的pH，电导率，温度和ORP的精确测量。它允许同时测量1。pH，温度和电导率，或2。ORP，温度和电导率。 也可以校准用于特异性TD（总溶解固体）的特定测量。 它可用于各种实验室和过程分析，环境和工业监测以及水质测试。 使用标准pH缓冲溶液（pH：1、2、4、7、10）的5点校准用于pH探针。 用于电导率可用（μs/cm）和高（MS/cm）电导率范围探针和标准品。 也有用于验证ORP的标准。 该设备主要在常规实验室时间内获得，但也可以同意在常规工作之外达成共识ORP，温度和电导率。也可以校准用于特异性TD（总溶解固体）的特定测量。它可用于各种实验室和过程分析，环境和工业监测以及水质测试。使用标准pH缓冲溶液（pH：1、2、4、7、10）的5点校准用于pH探针。用于电导率可用（μs/cm）和高（MS/cm）电导率范围探针和标准品。也有用于验证ORP的标准。该设备主要在常规实验室时间内获得，但也可以同意在常规工作
当人工智能系统的行为不符合用户预期时，提供解释的挑战 Riveiro， M.；Thill, S. 2022，专著或会议论文集（第 30 届 ACM 用户建模、适应和个性化会议论文集，第 110-120 页）
人工智能 (AI) 中的解释可确保复杂 AI 系统的用户了解系统行为的原因。用户对系统行为的期望会发挥一定作用，因为他们共同决定了解释的适当内容。在本文中，我们研究了当系统以意外方式运行时用户所需的解释内容。具体来说，我们向参与者展示了涉及自动文本分类器的各种场景，然后要求他们在每种场景中指出他们喜欢的解释。一组参与者从多项选择问卷中选择解释类型，另一组参与者必须使用自由文本回答。当输出符合预期时，参与者对于首选的解释类型表现出相当明确的一致意见：大多数人根本不需要解释，而那些需要解释的人则希望得到一个解释，说明输入的哪些特征导致了输出（事实解释）。当输出不符合预期时，用户也喜欢不同的解释。有趣的是，在多项选择问卷中，一致性较低。然而，自由文本回答略微表明，他们更倾向于描述人工智能系统的内部运作如何导致观察到的输出（即机械解释）的解释。总体而言，我们表明用户期望是确定最合适的解释内容（包括是否需要解释）的重要变量。我们还发现不同的结果，尤其是当输出不符合预期时，这取决于参与者是通过多项选择还是自由文本回答。这表明对精确实验设置的敏感性可能解释了文献中的一些变化。
人工智能投资建议：用户会买账吗？
本文开发了一个人工智能接受的态度-感知-意图 (API) 模型，以解释个人接受基于人工智能的建议的行为意图，该意图取决于对人工智能的态度、信任和感知准确性，并以风险水平为调节因素。通过使用模拟的人工智能投资推荐系统进行的参与者间实验 (N = 368)，对 API 模型进行了实证验证。一种实验条件描绘了涉及蓝筹股的低风险投资建议，而另一种实验条件描绘了涉及低价股的高风险投资建议。对人工智能的态度预示了接受基于人工智能的建议的行为意图、对人工智能的信任以及对人工智能的感知准确性。此外，风险水平成为一个重要的调节因素。当风险较低时，对人工智能的良好态度似乎足以促进对算法的依赖。然而，当风险很高时，对人工智能的良好态度是人工智能接受的必要但不再是充分条件。 API 模型为人机交互文献做出了贡献，它不仅阐明了用户如何接受人工智能建议的潜在心理机制，而且还增加了对人工智能推荐系统在需要直觉的高参与度服务（例如金融）中的应用的学术理解，在这种服务中，人类顾问通常比机器生成的建议更受青睐。
了解 GLP-1 用户——一种新型消费者
随着越来越多的消费者转向使用 GLP-1 药物来减肥和改善健康，食品和饮料公司需要考虑这一不断增长的人群的需求，并确保他们保留并潜在地扩大市场份额。然而，并非所有 GLP-1 用户都是一样的。公司越了解卡路里削减者、健康选择者、品类跳跃者、高端购买者和基本款购买者的独特动机和行为，他们就越能通过针对其最高价值消费者群体的投资组合策略更好地管理即将到来的食品和饮料消费转变、相关收入风险和潜在收入增长。
欧洲药品管理局为集中程序用户提供预授权程序建议
2.1.1. 法规 (EC) No 726/2004 第 3 条规定了根据集中程序评估的申请范围和资格，药品必须通过该程序（“强制范围”）或可以通过该程序（“可选范围”或“仿制药/混合药”）获得欧盟授权。...................................................................................................................................... 32