自闭症被认为是一种疾病,其特征是社交沟通能力的质性障碍、刻板行为的存在和兴趣范围的受限,应尽早发现。2 因此,与疑似患有自闭症的儿童住在一起的人必须有足够的信息,才能敏感地感知到疑似的临床状况。一个没有被广泛探讨的方面是父母不在场的情况,这些孩子经常被拒绝,由其他家庭成员照顾,如祖父母、叔叔或其他接受他们非典型特征的人,无论是否有诊断。这个过程会进一步阻碍神经非典型个体(如自闭症患者)的社会环境发展。在这方面,更换照顾者造成的情绪不稳定是一个挑战,可以通过不足感和不安全感表现出来。因此,理想的情况是让负责孩子的新照顾者了解孩子和疾病的固有特征,以便他们促进一个安全、支持和理解的环境。1
产前和产后妇女对新冠疫苗的接受度Poornima,C2*,博士Maheswari,S 3,博士S. Latha Maheswari 4 1 MBBS,医学系,PSG 医学科学与研究研究所,Avinashi Rd, Peelamedu, Tamil Nadu 641004,印度 2 MS(妇产科),PSGGlogy,医学科学与研究研究所,Avinashi Rd, Peelamedu, Tamil Nadu 641004,印度 3 MS(妇产科),副教授,妇产科,PSG 医学科学研究所,Avinashi rd,, Elemedu, Coimbatore, Tamil Nadu 641004,印度 4 MD(妇产科),教授兼妇产科系主任,PSG 医学科学与研究研究所,OF, Avinashi Rd, Peelamedu, Coimbatore, Tamil Nadu 641004,印度
摘要:中手势界面已在特定场景中流行起来,例如通过头戴式显示器与增强现实的交互、通过智能手机或游戏平台进行特定控制。本文探讨了使用位置感知的基于空中手势的命令三元组语法与智能空间进行交互。该语法的灵感来自人类语言,构建为具有命令结构的呼格。在“请打开灯!”这样的句子中,通过模仿其首字母/首字母缩略词(呼格,与句子的省略主语一致)的手势来调用被激活的对象。然后,几何或方向手势识别动作(命令式动词),可能包括对象特征或要与之联网的第二个对象(补语),也由首字母或首字母缩略词表示。从技术上讲,依赖于可训练的多设备手势识别层的解释器使对/三元组语法解码成为可能。识别层适用于可抓取设备(智能手机)和自由手持设备(智能手表和外部深度摄像头)以及特定编译器的加速度和位置输入信号。在 Living Lab 设施的特定部署中,语法已通过使用源自英语的词典(关于首字母和首字母缩略词)进行实例化。对 12 名用户的受试者内分析使我们能够分析手势语法在其三种设备实现(可抓取、可穿戴和无设备)中的语法接受度(就可用性、手势对物体动作的一致性和社会接受度而言)和技术偏好。参与者对学习语法的简单性及其在管理智能资源方面的潜在有效性表示了共识。在社交方面,参与者倾向于在户外活动中使用手表,在家庭和工作环境中使用手机,强调了社交背景在技术设计中的重要性。由于其效率和熟悉度,手机成为手势识别的首选。该系统可适应不同的传感技术,解决了可扩展性问题(因为它可以轻松扩展到新对象和新动作)并允许个性化交互。
删除政策 研究门户是女王大学的机构资料库,可供访问女王大学的研究成果。我们尽一切努力确保研究门户中的内容不侵犯任何人的权利或适用的英国法律。如果您发现研究门户中的内容侵犯了版权或违反了任何法律,请联系 openaccess@qub.ac.uk。
海湾校区,斯旺西,SA1 8EN,英国 {ykdwivedi@gmail.com;ykdwivedi@swansea.ac.uk} 摘要 人工智能 (AI) 集成的客户关系管理 (CRM) 系统可以通过识别和留住最佳客户来最大化公司的价值。这种先进技术的成功取决于员工的采用。然而,关于研究员工对 AI 集成 CRM 系统的接受度的研究很少。因此,本研究尝试提出一个概念模型来预测员工在组织中使用 AI 集成 CRM 系统的使用行为。本研究采用元 UTAUT 模型作为理论视角,并使用兼容性、CRM 质量和特定于组织环境的 CRM 满意度等构造扩展了该模型。未来的研究人员可以使用从使用 AI 集成 CRM 系统的员工那里收集的数据对所提出的模型进行实证测试 关键词:AI- CRM、CRM 质量、CRM 满意度;用户行为;UTAUT 模型
数据分析 ................................................................................................................ 30 数据人口统计 ...................................................................................................... 30 共同方法方差偏差检验 .............................................................................................. 33 数据智能设备 ...................................................................................................... 33 测量模型 ............................................................................................................. 35 结构模型 ............................................................................................................. 39 假设检验 ............................................................................................................. 39 VI. 结论、局限性和未来工作 ............................................................................. 50
摘要 针对年轻学生的人工智能 (AI) 素养教育正受到研究人员和教育工作者的关注。研究人员正在开发课程,并尝试使用适合年龄的 AI 教育学习工具向更年轻的学生教授 AI 素养。尽管教师在 AI 素养教育中发挥着至关重要的作用,但他们的看法和态度却很少受到关注。本研究探讨了 60 名教师对使用 AI 教育学习工具的看法,并考察了影响他们在实施 AI 素养教育方面态度的因素。技术接受模型以及技术、教学和内容知识 (CK) (TPACK) 框架指导了研究设计,并采用结合社会科学统计软件包和主题分析的混合方法进行数据分析。研究表明,教师对 AI 教育学习工具在 AI 素养教学中的实用性和易用性持积极看法。本文还表明,教师们接受基于艺术的方法来教授 AI 素养。定性数据显示,教师面临诸如知识储备 (CK) 不足和人工智能经验不足以及对 TPACK 知识缺乏等挑战。影响教师接受人工智能教育学习工具的五个因素是:(a)教师对其人工智能知识储备和教授人工智能素养(技术内容知识)经验的看法;(b)技术挑战和利益相关者的接受程度;(c)人工智能教育学习工具的属性;(d)学校基础设施和预算限制;(e)干扰和负面情绪反应的可能性。本研究为政策制定者提供了有关
自 ChatGPT 推出以来,生成式人工智能给未来就业市场带来了显著挑战,引发了关于自动化和人工智能技术如何影响就业的广泛讨论。然而,个人对这些挑战的看法因人而异,有些人将人工智能的进步视为成长和创新的机会。这项研究旨在探讨高中生对人工智能对未来就业市场影响的看法。我们假设,积极主动的性格特征、技术和职业自我效能将积极影响学生对未来职业的准备、乐观和担忧。为了检验这些假设,我们收集了 141 名高中生的数据。我们的研究结果表明,积极主动的性格和技术自我效能与对人工智能对就业影响的准备和乐观程度的增强呈正相关。这些见解为教育工作者和政策制定者提供了实际意义,并提出了未来研究的领域,以更好地了解学生如何为人工智能驱动的劳动力做好准备。关键词:人工智能 (AI)、技术接受度、职业选择、高中介绍
摘要:人工智能 (AI) 的道德问题已成为学术界和公众辩论中一个备受争议的话题。我们认为,人工智能的道德接受度不仅取决于其按照道德规范完成任务的能力,还取决于人工智能的社会地位。代理类型(人工智能、计算机程序还是人类)、性别和组织成员资格会影响道德可接受性。在一项析因调查实验中,578 名参与者对执行任务(例如癌症诊断)的代理的道德可接受性进行了评分。我们发现,使用人工智能被认为比雇用人类代理在道德上更不可接受。在高地位组织中使用的人工智能被认为比在低地位组织中使用的人工智能在道德上更可接受。计算机程序和人工智能之间没有发现差异。拟人化和性别框架都没有影响。因此,高地位组织中的人类代理获得的道德盈余纯粹基于他们在文化地位等级中的结构位置,而不管他们的实际表现如何。
例如,图 1 显示,在尼日利亚,在六个重叠调查期中的五个期间,接受度估计值相差 17 到 22 个百分点。即使在使用相同访谈模式(互联网)的调查中,2021 年第 2 季度的估计值也相差 18 个百分点。只有在一个重叠调查期内,接受度估计值相对接近:2021 年第 4 季度,使用呼叫列表招募和 CATI 访谈的调查(呼叫列表-CATI)的估计值与使用社交媒体招募和互联网访谈的调查(社交媒体-互联网)的估计值相差在 4 个百分点以内。2021 年第 2 季度的情况并非如此,当时这些调查的估计值相差 16 个百分点,这表明除了招募方法和访谈模式外,调查时间也可能影响接受度估计值。