XiaoMi-AI文件搜索系统
World File Search System人为
可持续数字经济中的以人为中心
1。简介互联网和全球数字化转型改变了我们生活的许多不同方面。不仅经济和社会，而且人们的个人生活都受到了我们历史上新来的时代的影响。虽然数字时代已经使最终用户提供新颖的服务和解决方案[1，2]，但它也引起了不同个人和社会水平的严重关注，例如有关在线隐私，算法，算法偏见，信息系统的公平性和问责制，透明度，透明度，治理和解释性的信息系统，traCea，traCeab，traceab [3，4]。 以人为中心[5]和最终用户授权[6，7]信息系统可以是一种“数字可持续性”的方法，即 为最终用户提供新颖和个性化的服务，同时考虑了数字化转型的潜在负面多维后果。 这包含在可持续性的概念中，可持续性涵盖了多个维度，这是由三底线总结的（即[3，4]。以人为中心[5]和最终用户授权[6，7]信息系统可以是一种“数字可持续性”的方法，即为最终用户提供新颖和个性化的服务，同时考虑了数字化转型的潜在负面多维后果。这包含在可持续性的概念中，可持续性涵盖了多个维度，这是由三底线总结的（即经济，生态和社会层面）以及提高或至少保持一定状态的愿望[8]。
人为诱导的多能干细胞衍生的整体...
摘要：指定性白细胞营养不良（MLD）是一种罕见的神经退行性疾病，它是由于溶酶体酶芳基硫糖酶A（ARSA）的缺乏而引起的。在全球范围内，有40,000人中有160,000人患有这种疾病。虽然目前尚无对MLD的有效治疗方法，但诱导的多能干细胞衍生的脑器官具有更好地了解MLD发病机理的潜力。但是，开发脑器官模型昂贵，耗时，并且可能无法准确反映疾病的进展。使用人脑器官的准确且廉价的计算机模拟可以克服当前的局限性。人工诱导的全脑器官（AIWBO）有可能极大地扩展我们对MLD建模的能力并指导未来的湿实验室研究。在这项研究中，我们使用先前验证的机器学习平台DeepNeu（v6.2）升级和验证了人工诱导的全脑器官平台（Neuborg）。使用此升级的Neuborg，我们已经生成了MLD的AIWBO模拟，并提供了一种新的方法来评估与MLD发病机理，疾病进展和新的潜在治疗选择相关的因素。
扩展思维和人为自传记忆
分布的自传记忆在社会心理学理论中受到了极大的关注（例如，Harris，Barnier，Sutton＆Keil，2014; Wegner，1986），在关于认知者与他们的人物环境之间的关系中，在很大程度上被忽略了。因此，本文的目的是通过讨论有关令人回味的对象和生命的经验工作，并概念化这些对象和技术如何整合到生物学记忆过程中，从而改变我们自传记忆的结构（Bell＆Gemmell，2009年），来引起人们对人为自传的纪念的关注。在与回忆性的对象进行相互作用时，我们通常将信息整合到大脑和世界上，以构建自传记忆，从而使我们能够以与在没有此类对象的情况下记住过去完全不同的方式记住我们的个人过去。本文中的一个特定重点是自传依赖性的维度，这是我们依靠对象能够记住个人体验的程度。我将讨论各种程度的自传依赖性，范围从低至中等到强度。这种依赖性越强，记住我们个人过去的车辆和过程都越大。本文具有以下结构。我首先要确定两个参数，以支持扩展思维，一个基于奇偶校验，另一个基于代理和外部资源之间的互补性，将后者优先考虑（第2节）。i分类法对不同的人类记忆系统进行了简要描述人类自传记忆的某些特性（第3节）。接下来，我区分用于实用认知任务的认知文物和用于记住我们个人过去的回忆物体，重点是后者（第4节）。i以概念化自传依赖性的维度结束了本文（第5节），并进行了一个案例研究，其中概念化了代理与救生技术之间的整合程度（第6节）。
以以人为中心的方法进行循环方式...
循环一直处于时装界的趋势。重大行业中断的信号是前期19月的明显，转售和租赁模型都具有双位数的增长。仅转售行业的增长速度比2019年更广泛的零售业快25倍，在此速度下，它有可能在短短10年内超越快速时尚。作为一个行业，在全球范围内为数十亿个消费者提供服务，并在其价值链中雇用了超过6000万人，转移到循环商业模式将对人们产生重大影响，从当地社区到零售商店的当地社区，以回收和重新利用设施。
制造业中的人为错误分析 - Redalyc
摘要尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而导致质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了 SHERPA 和 HEART 方法。本文还讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用专业文献中的概念，并阐明了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时阐述了人体工程学、工业工程和系统可靠性等不同的知识分支。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
制造业中的人为错误分析 - Redalyc
摘要尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而导致质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了 SHERPA 和 HEART 方法。本文还讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用专业文献中的概念，并阐明了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时阐述了人体工程学、工业工程和系统可靠性等不同的知识分支。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
以人为启发的框架加速增强学习
强化学习（RL）对于数据科学决策至关重要，但源于样本效率低下，尤其是在具有昂贵的物理互动的现实情况下。本文引入了一个新型的人类启发框架，以提高RL算法样品效率。它通过最初将学习代理暴露于更简单的任务来实现这一目标，这些任务逐渐增加了复杂性，最终导致了主要任务。此方法不需要预训练，并且只需要学习更简单的任务才能进行一次迭代。所产生的知识可以促进各种转移学习方法，例如价值和政策转移，并增加计算复杂性。可以在不同的目标，环境和RL算法中应用，包括基于价值的，基于策略的，表格和深度RL方法。实验评估证明了该框架在提高样本效率方面的效率，尤其是在挑战主要任务中，通过简单的随机步行和更复杂的最佳控制问题证明了具有约束的最佳最佳控制问题。
紧急情况下的人为无人机合作案件
（过度的）酒精和其他成瘾性物质通常被概念化为自我控制低的问题（即人们无法抑制不必要的冲动）。根据这种观点，人们喝酒是因为他们无法抗拒。在本研究中，我们从不同的角度解决了这一点，并测试了饮酒是否可能也是享乐能力低的问题（即人们通常由于思想造成的，人们无法体验愉悦和放松）。根据这种观点，人们喝酒是因为它可以帮助他们享受或应对负面的想法或情感。在两项有害饮酒风险的个体之间的两项研究中（例如，审计<7），我们一直发现特质享乐的能力与酒精的征服无关，但与应对动机有负相关（饮酒以应对负面的思想和感受；研究1：n = 348;研究2：研究2：n = 302，预先确定）。研究2中的探索性分析（在COVID-19大流行期间进行）还表明，享乐性享乐的人低（但不是很高）的人会响应压力而喝更多的酒精。我们的发现与人们的饮酒动机和行为不仅是自我控制不良的问题，而且还具有低特质享乐能力的问题一致。他们符合预防和治疗研究方面的新方向，该研究探讨了帮助人们寻求和品尝与非药物相关的增强剂的享乐主义体验（例如，从事休闲活动）。
个人理财以人为中心的机器学习-IJRPR
将机器学习（ML）整合到个人理财中代表了个人管理财务生活的方式的重大转变。本文重点介绍了基于人类的机器学习的概念，这是使单个用户处于私营部门技术发展的最前沿的替代方案。该领域的传统ML应用主要旨在提高金融机构的效率和盈利能力。但是，对ML系统的需求越来越不仅在技术上是进步，而且更符合个人投资实践和特定需求，本次审查的目的是优先考虑用户体验，个人和道德考虑。这项研究的重要性是，它偏离了单一适合的方法，这些方法与其他ML在其他方面相同，而在其他情况下，在某些情况下，在某些情况下，在某些情况下，有效地适用于某些人，这些方法是在某些情况下进行的，这些方法是在某些方面适用于某些人，而在某些情况下，有效地适用于某些型号。他们缺乏实现其个人财务目标，风险承受能力和行为模式所需的细微差别。