XiaoMi-AI文件搜索系统
World File Search System塞尔
欧洲人工智能法规：布鲁塞尔效应与人类尊严？
经过多年的公众咨询和审议，欧盟委员会提出了全面监管人工智能 (AI) 的法律框架。最引人注目的是，人工智能高级专家组 (AI HLEG) 自 2018 年以来就制定了道德准则和政策建议。虽然中国和美国等国家或欧洲委员会等国际组织正在制定法律框架来规范人工智能的开发和使用，但欧盟委员会于 2021 年 4 月 21 日提出的提案（人工智能法案或 AIA）似乎使联盟处于最有力的地位，可以为一项关键的新兴技术制定具有全球意义的监管标准。在简要总结了未来监管的起源、背景和主要特征之后，本文探讨了“布鲁塞尔效应”是否会体现在突破性的人工智能监管中，或者欧盟及其成员国是否会冒着仓促采用无能的法律框架的风险，而这项技术对社会的影响仍未得到充分理解。此外，拟议的
建议引用：Regona, Massimo；Yigitcanlar, Tan；Xia, Bo；Li, Rita Yi Man (2022)：人工智能在建筑行业应用的机遇与挑战：PRISMA 评论，《开放创新：技术、市场与复杂性》期刊，ISSN 2199-8531，MDPI，巴塞尔，第 8 卷，Iss。1，第 1-31 页，https://doi.org/10.3390/joitmc8010045
摘要：人工智能 (AI) 是一种强大的技术，具有多种功能，如今在所有行业中都开始显现出来。然而，与其他行业相比，人工智能在建筑行业的普及程度相当有限。此外，尽管人工智能是建筑环境研究的热门话题，但研究建筑行业人工智能采用水平低的原因的综述研究有限。本研究旨在通过确定人工智能的采用挑战以及为建筑行业提供的机遇来缩小这一差距。为了实现这一目标，该研究采用了 PRISMA 协议的系统文献综述方法。此外，文献的系统综述侧重于建筑项目生命周期的规划、设计和施工阶段。审查结果表明：(a) 人工智能在规划阶段特别有益，因为建筑项目的成功取决于准确的事件、风险和成本预测；(b) 采用人工智能的主要机会是通过使用大数据分析和改进工作流程来减少花在重复任务上的时间； (c) 将人工智能融入建筑工地的最大挑战是该行业的碎片化性质，这导致了数据获取和保留的问题。研究结果为建筑行业的各方提供了有关人工智能适应性的机会和挑战的信息，并有助于提高市场对人工智能实践的接受度。
建议引用：Amoako, George Kofi；Omari, Paul；Kumi, Desmond Kwadjo；Agbemabiase, George Cudjoe；Asamoah, George (2021)：概念框架：人工智能和更好的创业决策。客户偏好、行业基准和员工参与对新兴市场的影响，《风险与财务管理杂志》，ISSN 1911-8074，MDPI，巴塞尔，第 14 卷，第 12 期，第 1-20 页，https://doi.org/10.3390/jrfm14120604
摘要：目的：技术举措现已融入广泛的商业领域。本文的目的是探讨人工智能系统通过顾客偏好和行业基准的中介对企业家决策的可能影响。设计/方法/方法：这是一项非实证的文献综述和概念模型的开发。在主要学术数据库（如 Emerald 在线期刊、Taylor and Francis 在线期刊、JSTOR 在线期刊、Elsevier 在线期刊、IEEE Xplore 和开放存取期刊目录 (DOAJ)）中搜索了专注于人工智能 (AI)、企业家决策、顾客偏好、行业基准和员工参与度的论文。总共有 25 篇文章符合预定义标准并被使用。结果：该研究提出，人工智能系统可以从企业家的角度促进更好的决策。此外，研究表明，员工作为利益相关者，可以通过参与来调节人工智能系统与企业家更好决策之间的关系。此外，研究表明，客户偏好和行业基准可以调节人工智能系统与企业家更好的决策之间的关系。研究的局限性/含义：本研究假设 ICT 环境完美，以保证人工智能系统的顺利运行。然而，情况可能并非总是如此。这项研究没有考虑企业家在 ICT 使用和采用方面的个人倾向。实际意义：本研究提出，企业家决策在人工智能系统的环境中得到丰富，并辅以客户偏好、行业基准和员工参与。这一发现为企业家提供了一种可能的技术工具，以便做出更好的决策，凸显了人工智能系统提供的无限选择。社会影响：在商业决策过程中引入人工智能会带来许多社会问题，这些问题与机器对人类和社会的影响有关。本文提出了如何在不破坏社会的情况下使用这项新技术。原创性/价值：这个概念框架是企业家发展的宝贵组织范围。此外，这项研究通过人工智能系统为企业家发展做出了宝贵的贡献。
建议引用：Vasiljeva, Tatjana；Kreituss, Ilmars； Lulle, Ilze (2021)：人工智能：公众和各行业代表的态度，《风险与财务管理杂志》，ISSN 1911-8074，MDPI，巴塞尔，第 14 卷，第 8 期，第 1-17 页，https://doi.org/10.3390/jrfm14080339
摘要：本文研究公众和企业对人工智能的态度，并研究影响这些态度的主要因素。概念模型基于技术-组织-环境（TOE）框架，并通过定性和定量数据分析进行测试。主要数据是通过专门为研究开发的问卷进行的公开调查以及对人工智能领域专家和各公司管理代表的半结构化访谈收集的。本研究旨在评估公众和各行业员工对人工智能的当前态度，并调查影响他们的因素。研究发现，不同行业对人工智能的态度存在显著差异。已经实施人工智能解决方案的组织的员工和近期不打算实施人工智能解决方案的组织的员工对人工智能的态度存在显著差异。影响组织采用人工智能的三个主要因素是高层管理人员的态度、竞争和法规。在确定影响社会和公司对人工智能态度的主要因素后，提出了减少各种负面因素的建议。作者提出了一个命题，证明了成功采用创新技术所需的活动。
建议引用：Yigitcanlar, Tan 等人 (2021)：地方政府人工智能 (AI) 的负责任城市创新：概念框架和研究议程，《开放创新：技术、市场和复杂性》杂志，ISSN 2199-8531，MDPI，巴塞尔，第 7 卷，Iss。1，第 1-16 页，https://doi.org/10.3390/joitmc7010071
1 昆士兰科技大学建筑与建筑环境学院，2 George Street，布里斯班 QLD 4000，澳大利亚 2 圣卡塔琳娜联邦大学技术学院，Campus Universitario，Trindade，Florian ó polis，SC 88040-900，巴西 3 萨拉曼卡大学 Bisite 研究小组，37007 萨拉曼卡，西班牙；corchado@usal.es 4 空气研究所，物联网数字创新中心，37188 萨拉曼卡，西班牙 5 大阪工业大学工程学院电子、信息和通信系，大阪 535-8585，日本 6 阿卜杜勒阿齐兹国王大学高性能计算中心，Al Ehtifalat St，吉达 21589，沙特阿拉伯； rmehmood@kau.edu.sa 7 香港树仁大学经济及金融系，香港北角伟翠街 10 号，中国；ymli@hksyu.edu 8 亚利桑那州立大学公共事务学院，美国亚利桑那州凤凰城北中央大道 411 号，邮编 85004；karen.mossberger@asu.edu 9 昆士兰科技大学管理学院，澳大利亚昆士兰州布里斯班乔治街 2 号，邮编 4000；kevin.desouza@qut.edu.au * 通讯地址：tan.yigitcanlar@qut.edu.au；电话: +61-7-3138-2418
建议引用：Yigitcanlar, Tan 等人 (2020)：人工智能技术与相关城市规划和发展概念：澳大利亚如何看待和利用它们？，《开放创新：技术、市场和复杂性》杂志，ISSN 2199-8531，MDPI，巴塞尔，第 6 卷，第 4 期，第 1-21 页，https://doi.org/10.3390/joitmc6040187
1 昆士兰科技大学建筑环境学院，2 George Street，布里斯班 4000，昆士兰州，澳大利亚；ruth.kankanamge@hdr.qut.edu.au (N.K.); massimo.regona@hdr.qut.edu.au (M.R.); andres.ruizmaldonado@connect.qut.edu.au (A.R.M.); bridget.rowan@connect.qut.edu.au (B.R.); hanseung.ryu@connect.qut.edu.au (A.R.)2 昆士兰科技大学管理学院，2 George Street，布里斯班 4000，昆士兰州，澳大利亚； kevin.desouza@qut.edu.au 3 萨拉曼卡大学 Bisite 研究小组，37007 萨拉曼卡，西班牙；corchado@usal.es 4 航空研究所，物联网数字创新中心，37188 萨拉曼卡，西班牙 5 大阪工业大学工学院电子、信息与通信系，大阪 535-8585，日本 6 阿卜杜勒阿齐兹国王大学高性能计算中心，Al Ehtifalat St，吉达 21589，沙特阿拉伯；rmehmood@kau.edu.sa 7 香港树仁大学可持续房地产研究中心，10 Wai Tsui Cres，北角，香港，中国；ymli@hksyu.edu * 通信地址：tan.yigitcanlar@qut.edu.au；电话: + 61-7-3138-2418
建议引用：Gramegna, Alex；Guidici, Paolo (2020)：为什么要买保险？一种可解释的人工智能方法，Risks，ISSN 2227-9091，MDPI，巴塞尔，第 8 卷，Iss。4，第 1-9 页，https://doi.org/10.3390/risks8040137
摘要：我们提出了一个可解释的人工智能模型，该模型可用于解释客户购买或放弃非寿险的原因。该方法包括将相似性聚类应用于从高精度 XGBoost 预测分类算法获得的 Shapley 值。我们提出的方法可以嵌入到基于技术的保险服务 (Insurtech) 中，从而可以实时了解对客户决策影响最大的因素，从而主动洞察他们的需求。我们通过对保险微保单购买数据进行的实证分析证明了我们模型的有效性。研究了两个方面：购买保险单的倾向和现有客户流失的风险。分析结果表明，可以根据一组相似的特征有效、快速地对客户进行分组，这可以很好地预测他们的购买或流失行为。
建议引用：Melnychenko, Oleksandr (2020)：人工智能是否已准备好评估企业的财务安全？，《风险与财务管理杂志》，ISSN 1911-8074，MDPI，巴塞尔，第 13 卷，第 9 期，第 1-19 页，https://doi.org/10.3390/jrfm13090191
摘要：本研究通过强调利益相关者的看法和由此产生的专业判断的相关性，为财务安全文献做出了贡献。在进行全面的财务安全研究时，仅使用经济指标来评估公司的财务安全（如现有文献中所建议的）是不准确的。具体而言，基于财务或管理报告在任何特定时间点计算的指数和指标仅提供肤浅的理解，甚至可能扭曲整体情况。还有人认为，专家评估是最客观的方法，尽管它具有与个人认知限制相关的缺点。这些限制并非人工智能所特有，它可以以较少偏见的方式评估企业的财务安全。然而，仅通过模仿人类的行为，它无法直观地感知和评估公司发展的动态，也无法整体评估财务状况——尽管具有学习和预测的可能性——因为人工智能无法思考和预测，而这在企业中是管理者最重要的技能。因此，开发人工智能来评估公司财务安全的风险在于对企业活动（尤其是财务安全）的评估存在偏差。
建议引用：Mhlanga, David (2020)：金融领域的工业 4.0：人工智能 (AI) 对数字金融包容性的影响，国际金融研究杂志，ISSN 2227-7072，MDPI，巴塞尔，第 8 卷，Iss。3，第 1-14 页，https://doi.org/10.3390/ijfs8030045
摘要：本研究旨在调查人工智能对数字金融包容性的影响。数字金融包容性正成为如何确保处于金字塔底层的人们积极参与金融活动的辩论中心。金融科技公司正在使用人工智能及其各种应用来确保实现数字金融包容性的目标，即确保低收入者、穷人、妇女、青年、小企业参与主流金融市场。本研究使用概念和文献分析对同行评审期刊、报告和其他关于人工智能和数字金融包容性的权威文件进行分析，以评估人工智能对数字金融包容性的影响。本研究发现，人工智能在风险检测、测量和管理、解决信息不对称问题、通过聊天机器人提供客户支持和帮助台以及欺诈检测和网络安全等领域对数字金融包容性具有强大的影响力。因此，建议世界各地的金融机构、非金融机构和政府采用并扩大使用人工智能工具和应用程序，因为它们在确保金融不活跃的弱势群体能够以最小的挑战和最大的利益参与正规金融市场方面带来的好处。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析