XiaoMi-AI文件搜索系统
World File Search System倾向
研讨会 - Sta，Cuhk-香港中文大学
越来越多地需要使用观察数据的因果推断中的样本量和功率计算，但缺乏相关的工具。本文在因果推断的倾向评分分析中，为样本量和功率计算提供理论上有理由的分析公式。通过分析平均治疗效果的反概率加权估计器的方差（ATE），我们阐明了样本量计算的三个关键组成部分：倾向得分分布，潜在的结果分布及其相关性。我们设计了基于常见和可解释的摘要统计数据来识别这些组件的分析程序。我们阐明了治疗组之间协变量重叠在确定样本量的关键作用。特别是，我们建议将Bhattacharyya系数用作协变量重叠的量度，这与处理比例一起导致了独特的可识别且易于计算的倾向分数分布。所提出的方法适用于连续和二进制结果。我们表明，标准的两样本Z检验和方差通胀因子方法通常会导致有时不准确的样本量估计值，尤其是重叠率有限。我们还得出了治疗（ATT）和重叠人群（ATO）估计的平均治疗效果的公式。我们提供了模拟和真实的示例来说明所提出的方法。我们开发了一个关联的R软件包Pspower。这是Bo Liu和Xiaoxiao Zhou的联合作品。
人工智能将取代谁？生成式人工智能对在线自由职业平台的影响 ∗
本文使用来自全球领先的自由职业平台的大型数据集，研究了生成式人工智能技术对在线自由职业者需求的影响。我们确定了受生成式人工智能影响更大的工作类型，并量化了异质影响的大小。我们的研究结果表明，在推出 ChatGPT 后的八个月内，与需要大量手工技能的工作相比，与写作和编码相关的自动化倾向工作的职位数量减少了 21%。我们还发现，图像生成人工智能技术的引入导致与图像创建相关的职位数量减少了 17%。我们使用 Google Trends 来表明，自动化倾向工作对自由职业者的需求下降越明显，与公众对 ChatGPT 可替代性的认识越高相关。
cred.ai 隐私政策
• 商业信息，包括个人财产记录、购买、获得或考虑的产品或服务，或其他购买或消费历史或倾向； • 生物特征信息； • 互联网或其他电子网络活动信息，包括但不限于浏览历史、搜索历史以及有关消费者与互联网网站、应用程序或广告互动的信息； • 音频、电子、视觉或类似信息； • 专业（或就业）相关信息； • 根据本小节中确定的任何信息得出的推论，以创建关于消费者的个人资料，反映消费者的偏好、特征、心理趋势、倾向、行为、态度、智力、能力和才能；以及 • 任何其他可识别、关联、描述、能够与特定消费者或家庭直接或间接关联或合理关联的信息。个人信息包括但不限于以下内容，只要其能够识别、关联、描述、能够与特定消费者或家庭直接或间接关联或合理关联。
责任差距和报应性格
摘要Danaher（2016）认为，增加的机器人化可能会导致报应差距：情况，在这种情况下，没有人可以公正地承担任何有害结果负责的规范事实与我们的腐败主义主义道德倾向冲突。在本文中，我们报告了一项基于Sparrow（2007）的著名武器系统的著名示例，该研究犯有战争犯罪，该命中罪是由美国，日本和德国的参与者进行的。我们发现（1）人们表现出具有道德上负责的自治系统的相当大的意愿，（2）在与这种系统互动时部分剥夺了人类代理人，更普遍地（3）（3）规范责任差距的可能性确实与人们明显的申诉主义倾向相反。我们讨论了这些结果对于责任差距文献中报应差距和其他立场的潜在影响意味着什么。
波士顿普及学前教育的长期影响
他们的论文 A.10 表明，可以通过重新定义优先级来构建即时录取算法的倾向得分，这样一所学校的优先组就由在学校拥有相同原始优先级并按照相同方式排序的申请人组成，然后应用 DA 倾向得分公式。9 附录表 A2 显示，此编码复制了 94% 的观察分配。1997-1999 年，波士顿公立学校在运行分配算法后使用种族重新平衡来修改少量分配，这一做法旨在减少波士顿的种族隔离（Willie 和 Alves，1996 年）。这些分配后的举措导致 1997-1999 年的复制率较低，但不会污染我们的研究设计，因为我们的编码忽略了重新平衡的录取。我们对录取的编码和最终学生分配之间的任何差异都可以解释为不符合分配算法。
技术趋势2025 |凝视政府的视角
经过多年的倾向和服务的一切倾向，AI激发了虚拟化和严峻的预算的转变。长期以来被视为整个企业中数字转换的灯塔，IT函数现在正在进行AI转换。由于生成型AI的适用性，用于编写代码，测试软件以及扩大技术人才的一般，具有前瞻性的技术领导者正在利用当前时刻作为曾经蓝色的月球机会，可以在五个支柱上转变它：基础设施，工程，融资，财务运营，人才和创新。随着传统和生成的AI功能的增长，技术的每个阶段都可以看到从负责人的人向人类转向循环中的转变。这样的举动最终可以将其恢复到一种新形式的精益形式，利用公民开发人员和AI驱动的自动化。
人工智能信任的诸多方面：规范信任与公平、问责和透明度之间的关系
努力促进公平、问责和透明被认为对于培养人工智能信任 (TAI) 至关重要，但现有文献对这种“信任”的阐述令人沮丧。缺乏对信任本身的阐述表明信任是普遍理解的、不复杂的，甚至无趣的。但真的是这样吗？我们对 TAI 出版物的分析揭示了许多不同的倾向，这些倾向在谁在信任（代理人）、信任什么（对象）、基于什么（基础）、为了什么（目标）和为什么（影响）方面有所不同。我们开发了一个本体来封装这些关键差异轴，以 a) 阐明文献中看似不一致的地方，b) 更有效地管理令人眼花缭乱的 TAI 考虑因素。然后，我们通过探索公平、问责和透明度的出版物语料库来反映这个本体，以研究在这些促进信任的方法中和之间考虑 TAI 的各种方式。
S~avices - 美国国家标准与技术研究所
CrSG）发现，开发一种香烟在技术上是可行的，在商业上也可能是可行的，这种香烟将显著降低点燃家具和床垫的倾向。此外，他们发现这种香烟对美国社会和经济其他方面的整体影响
刻板印象作为性格证据
在本文中，我将说明，尽管某些形式的基本率证据对于获得准确的案件结果来说是可取的，甚至至关重要，但一种常见的基本率证据（即概况证据）往往构成未被承认的品格证据（即被告按照某种性格特征行事的证据），而这种证据是联邦和州证据规则所禁止的。为了说明这一点，并准确描述基本率证据和普通品格证据之间的关系，我利用一种名为贝叶斯推断的统计工具来定义一个我称之为预测品格证据的概念。预测品格证据描述了一个群体的行为倾向，表明该群体中的某个成员按照这种倾向行事。我将说明，这种证据（一种涉及行为刻板印象的基本率证据）依赖于品格推理，因此根据禁止品格证据规则是不可接受的。