XiaoMi-AI文件搜索系统
World File Search System偏好
世界时间偏好 - PLOS
时间偏好是人类决策的核心；因此，彻底了解它们的国际差异非常重要。然而，以前的测量方法差异很大，从李克特量表回答的问题到彩票类型的问题。我们表明，这些不同的测量方法在很大程度上是相关的，并且它们有一个共同的因素，可以预测广泛的变量：国家的信用评级、汽油价格（作为环境保护的代理）、股票风险溢价和平均受教育年限。关于 N = 117 个国家和地区的时间偏好因素的结果数据将对进一步的研究非常有用。我们的聚合方法适用于合并使用不同方法测量相同潜在结构的跨文化研究。
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。
风险偏好声明
1. 目的和治理 1.1 风险偏好声明（“本声明”）全面概述了指导欧洲复兴开发银行（“银行”）运营的风险偏好参数。其主要目的是便于简明扼要地介绍和定期审查银行在其主要活动中愿意承担的风险水平。它反映了市场惯例，提高了内部决策的质量，并有助于建立全行风险意识文化。它协助银行与利益相关者（包括投资者、捐助者和评级机构）进行沟通，支持持续获得资金和实现银行目标的能力。 1.2 该文件综合概述了银行如何管理各种类型的风险。以下第 2 节和第 3 节描述了风险偏好表达和总体风险治理结构的主要原则。第 4 节介绍了财务损失容忍阈值（FLTT），该阈值根据年度全行压力测试的结果进行评估。FLTT 是表达对多种金融风险的风险偏好的一部分。第 5 至 11 节详细列出了银行对每种风险类型的风险偏好的关键方面。用于衡量和限制风险的详细风险类型定义和指标可在附件 2 中找到。 1.3 本声明中描述的大部分参数已由管理层和董事会通过专门的政策工具采用。这些参数在整篇文件中都有引用。本声明将每年更新，以反映这些基本政策的变化。 1.4 该文件由副总裁兼首席风险官 (CRO) 经与银行其他执行经理磋商后定期编制和更新。 2. 关键原则 2.1 银行通过承担风险来实现其战略目标。如果没有适当的限制，这些风险可能会威胁到其关键资源，包括净利润、资本、流动性和声誉。反过来，这些风险可能会破坏我们的利益相关者（包括股东政府、客户、捐助者、民间社会组织和其他相关机构）对银行、其管理层及其战略的信任和信心。在极端情况下，这些风险可能需要要求补充资本，甚至威胁到银行的生存。
经济偏好的遗传性
本文表达的任何观点均为作者观点，而非 IZA 观点。本系列中发表的研究可能包括政策观点，但 IZA 不代表任何机构政策立场。IZA 研究网络致力于遵守 IZA 研究诚信指导原则。IZA 劳动经济研究所是一个独立的经济研究机构，从事劳动经济学研究，并就劳动力市场问题提供基于证据的政策建议。在德国邮政基金会的支持下，IZA 运营着世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究、政策制定者和社会之间架起桥梁。IZA 讨论文件通常代表初步工作，并被分发以鼓励讨论。引用此类文件时应说明其临时性质。修订版可直接从作者处获得。
通用时间偏好 - PLOS
时间偏好是人类决策的核心；因此，彻底了解它们的国际差异非常重要。然而，以前的测量方法差异很大，从李克特量表回答的问题到彩票类型的问题。我们表明，这些不同的测量方法在很大程度上是相关的，并且它们有一个共同的因素，可以预测广泛的变量：国家的信用评级、汽油价格（作为环境保护的代理）、股票风险溢价和平均受教育年限。关于 N = 117 个国家和地区的时间偏好因素的结果数据将对进一步的研究非常有用。我们的聚合方法适用于合并使用不同方法测量相同潜在结构的跨文化研究。
调查教师的偏好和界限......
摘要。编排工具可以支持 K-12 教师促进学生学习，尤其是在旨在满足课堂利益相关者的需求时。我们之前的工作表明，在课堂上动态配对学生进行协作学习时，需要人机共享控制，但对每个代理应扮演的角色提供的指导有限。在本研究中，我们设计了故事板，用于当使用基于 AI 的自适应数学软件进行个人和协作学习时，教师、学生和 AI 共同编排动态配对的场景。我们调查了 54 名数学教师的共同编排偏好。我们发现，教师希望与 AI 共享控制权，以减轻他们的编排负担。此外，他们希望 AI 提出带有解释的学生配对，并识别有风险的配对提议。然而，即使老师很忙，他们也不愿意让 AI 自动配对学生，也不太愿意让 AI 覆盖老师提出的配对。我们的研究有助于了解教师与人工智能和学生分享学生配对任务和控制权的需求、偏好和界限，以及人机协同工具的设计含义。