XiaoMi-AI文件搜索系统
World File Search System小插图
Avey：一种用于自我诊断的精确人工智能算法
目标 介绍我们基于人工智能的症状检查器，严格测量其准确性，并将其与现有的流行症状检查器和经验丰富的初级保健医生进行比较。 设计案例研究。 设置 400 个黄金标准初级保健案例。 干预/比较器我们使用了 7 个标准准确性指标来评估 6 个症状检查器的性能。为此，我们开发并同行评审了 400 个案例，每个案例都得到了 7 名独立且经验丰富的全科医生中至少 5 名的认可。据我们所知，这产生了迄今为止该领域最大的基准案例套件。 为了建立参考框架并相应地解释症状检查器的结果，我们进一步将表现最佳的症状检查器与 3 名平均经验为 16.6 年的初级保健医生直接进行比较。主要结果测量我们从 7 个标准角度彻底研究了症状检查者和医生的诊断准确率，包括：(a) 𝑀 1、𝑀 3 和 𝑀 5 分别作为症状检查者或医生在前 3 种疾病中或前 5 种鉴别诊断疾病中返回小插图主要诊断的能力的测量指标；(b) 召回率作为症状检查者或医生鉴别诊断中返回的相关疾病百分比的测量指标；(c) 精确度作为症状检查者或医生鉴别诊断中相关疾病百分比的测量指标；(d) F1 测量作为召回率和精确度之间的权衡测量指标；(e) 归一化折现累积增益或 NDCG 作为症状检查者或医生鉴别诊断排名质量的测量指标诊断。结果 我们的基于 AI 的症状检查器 Avey 的表现明显优于 5 种流行的症状检查器，即 Ada、WebMD、K Health、Buoy 和 Babylon，使用 𝑀 1 时平均高出 24.5%、175.5%、142.8%、159.6%、2968.1%；使用 𝑀 3 时平均高出 22.4%、114.5%、123.8%、118.2%、3392%；使用 𝑀 5 时平均高出 18.1%、79.2%、116.8%、125%、3114.2%；使用召回率时平均高出 25.2%、65.6%、109.4%、154%、3545%；使用 F1 测量时分别为 8.7%、88.9%、66.4%、88.9%、2084%；使用 NDCG 时分别为 21.2%、93.4%、113.3%、136.4%、3091.6%。在精度方面，Ada 平均比 Avey 高出 0.9%，而 Avey 分别比 WebMD、K Health、Buoy 和 Babylon 高出 103.2%、40.9%、49.6% 和 1148.5%。与症状检查员相反，医生在使用精确度和 F1 测量时比 Avey 平均高出 37.1% 和 1.2%，而 Avey 在使用 𝑀 1、𝑀 3、𝑀 5、召回率和 NDCG 时分别比他们平均高出 10.2%、20.4%、23.4%、56.4% 和 25.1%。为了提高我们研究的可重复性并支持未来的相关研究，我们公开并免费提供了所有黄金标准小插图。此外，我们在网上发布了症状检查员和医生的所有结果（即 45 组
医疗人工智能与人类尊严
各种形式的人工智能 (AI) 已经被部署到临床环境中，对其未来医疗用途的研究也在加速进行。尽管呈现出这样的发展趋势，但仍需要更多研究来了解日益增多的 AI 决策对患者的影响。特别是，AI 的非个人性质意味着，将其部署在高度敏感的使用环境（例如医疗保健领域）会引发与患者对（不）有尊严的治疗的看法相关的问题。我们通过一项实验性小插图研究来探讨这个问题，该研究比较了个人在各种医疗决策环境中对受到有尊严和尊重的对待的看法。参与者接受 2（人类或 AI 决策者）x 2（积极或消极的决策结果）x 2（诊断或资源分配医疗保健场景）的析因设计。我们发现了“人类偏见”（即偏好人类而不是 AI 决策者）和“结果偏见”（即偏好积极结果而不是消极结果）的证据。然而，我们发现，对于尊重和有尊严的人际待遇的看法，诊断案例中谁做出决定更重要，资源分配案例的结果也更重要。我们还发现，人们始终将人类视为合适的决策者，而人工智能则被视为非人性化的决策者，并且参与者认为他们在接受诊断决策时比在接受资源分配决策时受到更好的待遇。开放式文本响应的主题编码支持了这些结果。我们还概述了这些发现的理论和实践意义。
可持续创新负责人 - KTP助理
学术技术批准计划（ATAS）：如果您将在自己的角色中进行研究，并且申请熟练的工人或临时工人GAE签证，则可能需要申请并获得ATAS CLEAL，在Aston可以为您的Visa申请颁发赞助证书之前。此过程至少需要6周的时间进行处理，而在确认您的预期开始日期时，阿斯顿将考虑这一点。处理时间将在4月至9月之间增加，并且可以更长的时间完成。没有可用的快速轨道选项。ATAS证书将按收据顺序进行处理。您可以在我们的候选移民页面上找到有关ATA的更多信息。在您开始和正确的工作90天入场插图之前，如果您在英国境外申请了签证，您将在护照中收到一个小插图，通常有效期为90天。请确保在此签证上的“有效”和“有效到”日期中前往英国。如果您在这些日期之前或之后进入英国，您将不会“激活”签证，您将需要离开并重新进入该国。您还将收到一封决策信，确认有关您的移民许可以及在哪里收集生物识别居住许可证的详细信息。生活成本 - 房地产和让代理商在伯明翰及其周围及其周围有许多房地产，可以帮助您找到合适的住宿。Midland房东认证计划提供了与他们申请认证的专业机构和房东的清单。
公众对神经技术的态度：两项有关脑刺激设备 (BSD) 和脑机接口 (BCI) 的实验结果
本研究为新兴文献做出了贡献，该文献研究了公众对神经技术设备 (NTD) 在医疗和非医疗应用中的看法，这取决于它们的侵入性、框架效应以及与个人需求和价值观相关的个体间差异。我们使用德国全国范围内具有代表性的成年人口样本进行了两项基于网络的被试间实验 (2 × 2 × 2)。使用描述两种 NTD、脑刺激设备 (BSD；N 实验 1 = 1,090) 和脑机接口 (BCI；N 实验 2 = 1,089) 如何运作的小插图，我们随机改变 NTD 的用途 (治疗与增强) 和侵入性 (非侵入性与侵入性)，并评估了框架效应（先评估道德接受度与先评估使用意愿的不同顺序）。我们发现人们在道德接受度和使用 BSD 和 BCI 的意愿都处于中等水平。受访者更喜欢治疗目的而非增强目的，更喜欢非侵入性设备而非侵入性设备。我们还发现了框架效应，并探讨了个人特征作为个人需求和价值观指标的作用（例如压力、宗教信仰和性别）。我们的结果表明，未来对 BSD 或 BCI 的需求可能取决于目的、侵入性以及个人需求和价值观。这些见解可以让技术开发人员了解公众的需求和担忧，并丰富法律和道德辩论。
Chatgpt可以在危机交流中取代人类吗？ AI介导的危机沟通对利益相关者满意度和责任归因的影响
想象一个世界，聊天机器人是对危机的第一批响应者，有效地解决问题并提供关键信息。ChatGpt展示了Genai（生成人工智能）的能力 - 及时及时地回答与危机相关的问题时，有动力的聊天机器人，从而取代了在危机交流中的人类。但是，公众对此类消息的反应仍然未知。为了解决这个问题，这项研究招募了参与者（n 1 = 399，n 2 = 189和n 3 = 121），并进行了两个在线小插图实验和一项定性调查。结果表明，当组织未能处理与危机相关的请求时，利益相关者表现出更高的满意度和较低的责任归因于聊天机器人提供指导（与调整）信息，因为他们被认为更有能力。但是，当组织满足要求时，提供调整的聊天机器人（与指导信息）会导致更高的满意度和由于更高的感知能力而导致的责任降低。第二次涉及公共紧急危机情况的实验表明，无论提供的信息（指导或调整）如何，利益相关者对高竞争（与低能力）聊天机器人表现出更高的满意和积极的态度。定性研究进一步证实了实验发现，并提供了改善危机聊天机器人的见解。这项研究还为组织提供了实用的指导，以基于上下文在危机管理中战略性地整合聊天机器人和人类代理商。这些发现通过将情境危机的交流理论扩展到非人类接触点，并通过机器启发式镜头将对使用聊天机器人的使用提供更深入的理解，从而有助于文献。
策略的期货
如果问：“时间是几点？”您将看着手机或手腕上的速度，并提供一个快速的答案；但是，如果被问到：“什么时候？”无论您身在何处，您很可能很难提供一个连贯的答案。这个小插图归因于奥古斯丁斯（Augustinus），他在两行的空间中使我们痛苦地意识到了一个想法的困难。在本文中，我们着手将一些微妙的时间和复杂性带到战略学科中 - 这种话语一直牢固地集中在未来（并因此与时间互动）上，但对充实的胃口也没有太多的胃口，无法充分疑问时间。我们问：时间的复杂性质是什么？这种性质如何改变策略？通过探索这个问题，我们将未来的本质问题提出了问题，并讨论了在战略实践中如何制定未来的未来，以及通过哪种策略工具将未来变成当前的对象。我们认为，解决战略时间问题的一种富有成果的方法需要注意发挥的多种形式（例如短期和长期未来之间的共同区别），携带它们的参与者以及他们实现的工具。我们用两个前样本说明了这种方法，其中长期战略与战略的关系有问题：关于18世纪和19世纪森林管理的辩论，以及有关20世纪公司金融化的辩论。我们通过检查三种常见策略工具的时间：模型，计划和折扣来追求对战略期货的分析。本文对本SI的总体贡献是使战略研究人员和从业人员意识到时间的复杂性质，以及这种复杂的性质如何在追求战略中起关键作用。
公众对生物能源的生物量接受
气候变化要求利用所有可再生能源资源（例如生物质的生物能源）进行能源过渡。但是，在社会上辩论了生物质的使用，公众接受度很低或缺乏。这项基于调查的研究首次证明了对（a）用于产生生物能源的生物量原料的类型，以及（b）生物能源对能源过渡有效的有效性的看法。一个调查的小插图实验（有409名荷兰参与者）表明，公众接受生物质原料“木材”和“能量作物”明显低于对生物营养的“有机废物”和“肥料”的接受。这些结果表明，在公众接受生物能源的情况下，应在未来的研究和沟通中更仔细地考虑和指定生物质原料类型。主题编码和自举调解分析确定了生物能量在能量转变中的感知有效性（即，介导）接受变量。随后的消息框架沟通实验（与414名荷兰参与者）表明，强调生物质原料作为废物利用形式是一种框架，有助于增加公众对生物能源的接受。废物利用率框架显着提高了对生物能源有效性的看法，这有助于两个较少接受的生物量原料的能量过渡。强调生物质原料类型作为一种废物处理形式可以改善对生物能源的战略沟通，并在向更可持续的能源体系的过渡过程中公开接受生物能源。
pdf div>
图10.7制作视觉小插图的五步用户指南226图10.8视觉小插图在研究参与者中的明信片大小中为三倍（Gugganig 2019）230图10.9 Mascha Gugganig，Laura Kuen，Felix Remter，AnjaRueß，Luise Ruge和Chris Wood（按字母顺序）展示视觉小插图的展示，在“ STS基础设施”展览会，新奥尔良4S会议（2019）230（2019）230图。10.10办公空间装饰，康奈尔大学231图12.1作者详细说明了希腊外国人的原始图形用户界面，如希腊庇护所服务271图271图12.2作者详细说明了外国人的原始图形用户界面，可以通过注册和身份服务（即行政民用人员）访问271图12.3外国人希腊登记册收集的基本数据（来源：作者从系统接口中阐述）275图12.4 Eurodac收集的数据（资料来源：欧洲法规（EU）第603/2013号欧洲议会和2013年6月26日理事会的数据）276图13.1芬兰的Hyperscale数据中心的外部由Yandex（俄罗斯主要的互联网平台运营）（信用：Julia Velkova）287图13.2云的粉刷内部（信用：A.R.E。泰勒）288图13.3生物识别传感器（例如指纹和视网膜扫描仪）调节整个数据中心的访问（荣誉：A.R.E.泰勒）289图泰勒）29013.4安装在服务器机柜门上的传感器使数据中心操作员能够检测到数据厅量化空间内可能出现的预期事件（信用：A.R.E.
MLSEQ：RNA-Seq数据的机器学习接口
MLSEQ是用于应用机器学习算法在下一代RNA-sequecting（RNA-SEQ）数据中应用的综合软件包。研究人员出于各种目的呼吁MLSEQ，其中包括疾病结果的预测，最佳特征子集（基因，转录本，其他同工型）的识别以及根据其预测重要性对特征进行分类。使用此软件包，研究人员可以上传其原始的RNA-seq计数数据，预处理数据并执行各种机器学习算法。预处理方法包括DESEQ平均值（TMM）归一化方法的DESEQ中值和修剪平均值，以及每毫米读取计数的对数（log-CPM），方差稳定转换（VST），正规化对数转换（RLOG）和方差模型在观察级别（voy）级别（voy）变换（voy）。归一化方法可用于纠正系统变化。转换方法可用于使离散的RNA-seq数据在层次上更接近微阵列，并进行基于微阵列的层化算法。当前，MLSEQ软件包包含90多个基于微阵列的分类器，包括最近开发的基于VOOM的判别分析分类器。除了这些分类器外，MLSEQ软件包还包括基于离散的分类器，例如Poisson线性判别分析（PLDA）和负二项式线性判别分析（NBLDA）。在预处理数据上，研究人员可以构建分类模型，对这些模型进行参数优化，评估模型性能并比较不同分类模型的性能。此外，可以通过构建模型预测测试样本的类标签。MLSEQ是用户友好，简单，目前是文献中针对RNA-Seq分类开发的最全面的软件包。要开始使用此软件包，用户需要上传其计数数据，其中包含每个样本映射到每个成绩单的读数数。可以从RNA-SEQ实验中获得此类计数数据，也可以从其他测序实验（例如芯片测序或元基因组测序）中获得。提出了此小插图，以指导研究人员如何使用此软件包。
人们认为人工智能应该从人脸中推断出什么
人脸在人类社会生活中扮演着不可或缺的角色。目前，计算机视觉人工智能（AI）可以捕捉和解释人脸，用于各种数字应用和服务。面部信息的模糊性最近导致不同领域的学者就AI应该根据面部外观对人做出哪些类型的推断展开争论。人工智能研究通常通过参考人们在初次见面场景中如何形成印象来证明面部人工智能推理的合理性。批评者对偏见和歧视表示担忧，并警告说面部分析人工智能类似于面相学的自动化版本。然而，这场辩论缺少的是对人工智能“非专家”如何从道德上评估面部人工智能推理的理解。在一项包含 24 个治疗组的双场景小插图研究中，我们表明非专家 (N = 3745) 在低风险广告和高风险招聘环境中拒绝面部 AI 推断，例如肖像图像中的可信度和可爱度。相反，非专家同意广告中的面部 AI 推断，例如肤色或性别，但不同意招聘决策环境中的推断。对于每个 AI 推断，我们要求非专家以书面答复的形式证明他们的评估。通过分析 29,760 份书面辩解，我们发现非专家要么是“证据主义者”，要么是“实用主义者”：他们根据面部是否需要为推理提供充分或不充分的证据（证据主义辩解）或推理是否会导致有益或有害的结果（实用主义辩解）来评估面部 AI 推理的道德地位。非专家的辩解强调了面部 AI 推理背后的规范复杂性。证据不足的 AI 推理可以通过考虑相关性来合理化，而无关的推理可以通过参考充分证据来合理化。我们认为，参与式方法为日益可视化的数据文化中道德 AI 的发展提供了宝贵的见解。