XiaoMi-AI文件搜索系统
World File Search System偏好
顶级人工智能研究人员的移民偏好：新调查证据
本论文由牛津大学人类未来研究所人工智能治理中心和宾夕法尼亚大学佩里世界之家联合发表，并得到乔治城大学安全与新兴技术中心的机构支持。该项目得到了人工智能伦理与治理基金的支持，Michael Horowitz 在该项目上的工作部分得到了美国政府拨款 FA9550-18-1-0194 的支持。作者要感谢 Catherine Aiken、Zachary Arnold、Tessa Baker、James Dunham、Melissa Flagg、Charlie Giattino、Roxanne Heston、Igor Mikelic-Torreira、Dewey Murdick 和 Helen Toner 对人工智能专家调查和分析的反馈。我们还感谢 Noemi Dreksler、Emmie Hine、Lauren Kahn、Will Marks、Kwan Ye Ng 和 Sacha Zimmerman 的研究协助和编辑支持。
面对人造：理解亲和力、可信度和对更现实的偏好
近年来，各公司一直在为由人工智能 (AI) 控制的数字虚拟代理开发更逼真的人脸。但用户对与此类虚拟代理互动有何感受？我们使用了一项受控实验室实验来检查用户对通过视频（即 Skype）以及非常逼真的虚拟形象出现的真实人类旅行代理的感知可信度、亲和力和偏好；一半的参与者（被误导性地）被告知虚拟形象是由人工智能控制的虚拟代理，而另一半则被告知虚拟形象由同一个人类旅行代理控制。结果表明，参与者认为视频人类代理更值得信赖，对他更有亲和力，并且比两个虚拟形象版本都更喜欢他。相信虚拟形象是由人工智能控制的虚拟代理的用户对代理的亲和力、可信度和偏好程度与相信虚拟形象由人类控制的用户相同。因此，使用逼真的数字化身会降低亲和力、可信度和偏好，但虚拟形象如何控制（由人还是机器）则没有影响。结论是，仅提高视觉保真度就能带来显著的积极变化，用户并不反对先进的人工智能模拟人类的存在，有些人甚至可能期待这样先进的技术。1. 简介
探索人工智能在教育中的作用、学生的偏好和看法
人工智能技术的发展为教育的传授和接受开辟了新的机会。因此，深入了解学生对学习过程中使用人工智能的看法、期望和担忧成为一个关键方面。本研究探讨了印度尼西亚大学生对人工智能在教育中使用的看法。对明古鲁大学师范学院 200 名学生进行了一项定量描述性调查。所用工具是改编自 Buabbas 等人 (2023) 的学生对人工智能的看法量表。数据分析使用了描述性分析和卡方检验。研究结果表明，大多数学生对人工智能在学习中的使用持积极态度，认为它是一种可以丰富他们的学习体验和增加教育资源获取机会的工具。然而，也有人担心人工智能会取代教师的角色，学习互动中人为因素的丧失以及数据隐私问题。研究结论是，尽管人工智能具有改变教育的巨大潜力，但需要采取谨慎、以人为本的方法，让教师发挥积极作用，并保障学生的隐私和数据安全。建议开展进一步研究，以提供有关人工智能在教育领域出现的影响和好处的更全面信息。
通过人类偏好研究基准音乐生成模型和指标
摘要 - 截止性的进步使产生的音乐更接近人类创造的作品，但是评估这些模型仍然具有挑战性。虽然人类的偏好是评估质量，将这些主观判断转化为客观指标的黄金规模，尤其是对于文本审计和音乐质量，但事实证明很困难。在这项工作中，我们使用12种最先进的模型生成了6K歌曲，并对15K成对音频比较与2.5k人类参与者进行了调查，以评估人类偏好与广泛使用的指标之间的相关性。据我们所知，这项工作是第一个基于人类偏好对当前最新音乐生成模型和指标进行排名的工作。为了进一步的主观度量评估领域，我们提供了对生成的音乐和人类评估数据集的开放访问。索引术语 - 音乐生成，评估指标，音频数据集，人类评估调查
从演示和偏好共同学习奖励和政策可以改善一致性
与人类的偏好和/或意图保持一致是当代基础模型的重要要求。为了确保对准，诸如人类反馈（RLHF）等流行方法将任务分为三个阶段：（i）基于大型示范数据的监督微调（SFT）计算的模型，（ii）基于人类反馈数据和（III II）的估计，（ii）将使用（III）估算了（ii II），以进一步的模型（RL）进一步估算了该模型（RL）。演示和人类反馈数据以不同的方式反映了人类用户的偏好。结果，仅从人类反馈数据获得的奖励模型估计可能不如从演示和人类反馈数据获得的奖励模型估计值那么准确。一种优化从演示和人类反馈数据获得的奖励模型估计值的政策模型可能会表现出更好的对齐性能。我们引入了一种可访问的算法，以找到奖励和政策模型并提供有限的时间绩效保证。此外，我们通过广泛的实验（包括LLMS中的比对问题和Mujoco中的机器人控制问题）来证明所提出的解决方案的效率。我们观察到，所提出的解决方案的表现优于现有的对齐算法。
高级偏好是多息顺序推荐的对比学习的积极示例
基于多功能框架的顺序推荐任务旨在模拟从不同方面的用户的多个兴趣，以预测其未来相互作用。但是，研究人员很少考虑模型产生的利益之间的差异。在极端情况下，所有兴趣胶囊都具有相同的含义，从而导致对具有多种兴趣的用户进行建模。为了解决这个问题，我们提出了高级偏好，作为对对比度学习的积极示例，用于多息序列推荐框架（HPCL4SR），该框架使用对比度学习来区分基于用户项目交互信息的利益差异。为了找到高质量的比较示例，本文介绍了构建全局图的类别信息，学习了用户高级偏好兴趣的类别之间的关联。然后，多层感知器用于适应用户项目的低级偏好兴趣功能和类别的高级偏好兴趣功能。最后，通过项目序列信息和相应的类别获得了用户多兴趣对比样本，这些样本被馈入对比度学习中，以优化模型参数并生成更符合用户序列的多功能表示。此外，在对用户的项目序列信息进行建模时，以增加项目表示之间的不同不同。
促销策略偏好和购买西方电器客户的决策
本研究评估了菲律宾马尼拉大都会的西方电器客户的促销策略偏好和购买决策。通过经过验证的自制调查问卷，数据是从100个有意选择的西方电器客户那里收集的。使用数据管理统计工具应用了百分比，算术平均值，标准偏差，Pearson相关分析，T-检验和回归分析。结果表明，促销策略和客户购买决策变量之间存在统计学上显着的相关性。特别是，主题公司实施的促销策略与受访者的所有偏好变量（例如销售促销，广告，个人销售，直接营销和公共关系）具有显着高的正相关性。促销策略与客户购买决策变量之间也存在统计学上的显着相关性。因此，促销策略实施的有效性提高或降低会导致马尼拉大都会电器客户的购买决策的增加或减少。
熟练程度和感觉如何影响老年人移动技术支持的偏好和感知
在使用更新的用户界面重新访问功能或从新的，复杂或使用较少的应用程序中的错误重新介绍时，很少会寻求正式支持[29，34]。相反，老年人可以使用试用方法，咨询YouTube视频，或者寻求朋友和家人的社会支持[29，33，34]。在最近的一项研究中，23名老年人中有16名（他们既不是移动技术使用的绝对初学者也不是专家），报告说从未在其移动设备上使用帮助菜单[34]。这种趋势反映了使用说明手册[2，11，25，29，40]的范式转变。相反，老年人在持续移动使用期间广泛使用两种类型的技术支持，自我探索[34]，反复试验[23，29]或“播放” [41] [41]）和社会支持[33，34]。为了满足老年人不断变化的技术支持偏好，新的支持工具正在出现[8，17，38，45]。同样重要但探索较少的是老年人个性，生活经验和一般学习偏好的异质性如何影响他们的技术支持选择。有些人可能更喜欢自我探索，而有些人则在继续移动使用期间寻求社会支持[29，34，35]。即使人们喜欢一种技术支持，他们也可能不会认为它是有效的或高质量的[34]。技术支持可以在确保老年人积极地体验技术方面发挥重要作用[1]。积极的经验可以在老年人中提高技术使用的信心[1，3]。充满信心，老年人更加开放探索和使用新的应用程序，功能和服务。在继续使用期间，积极的情绪反应不仅是由技术的有用性和易用性触发的，而且还可以易于学习使用它及其技术支持的质量[26，33，34]。例如，已显示结构化计算机课程可以增加自我报告的信心，并减少计算机使用过程中的焦虑，例如在网上查找健康信息时[6]。计算机焦虑症可以预测老年人的计算机使用广度[9，10]，这可能是由于年龄刻板印象所引起的，即老年人的技术能力少于年轻人的技术能力[24]。由于这种刻板印象的威胁，使用移动应用程序后，老年人可能会感到年龄较大，尤其是当这些应用程序不熟悉时[5]。焦虑和信心构成了与一般学习相关的各种感觉的末端[20]。我们还知道，这些感觉会影响老年人的技术吸收和使用[9，24，34，42]。但是，他们在老年人的技术支持选择中的作用仍然未知。基于过去的工作，我们假设：
