XiaoMi-AI文件搜索系统
World File Search System引人注意
使用可穿戴 fNIRS 和机器学习自动检测认知疲劳
摘要：可穿戴传感器越来越多地应用于医疗保健领域，以生成数据并以不引人注意的方式监控患者。它们在脑机接口 (BCI) 中的应用允许不引人注意地监控一个人的认知状态。认知疲劳是与多个领域相关的一种特殊状态，它可能会影响绩效和注意力等能力。对这种状态的监测将应用于真实的学习环境中，以检测和建议有效的休息时间。在本研究中，使用两个功能性近红外光谱 (fNIRS) 可穿戴设备构建 BCI，以使用机器学习算法自动检测认知疲劳状态。开发了一种实验程序来有效诱导认知疲劳，其中包括接近真实的数字课程和两个标准认知任务：Corsi-Block 任务和集中任务。机器学习模型经过用户调整，以考虑每个参与者的个人动态，分类准确率达到约 70.91 ± 13.67%。我们得出的结论是，尽管该方法对某些受试者有效，但在应用之前需要单独验证。此外，任务时间并不是分类（即诱发认知疲劳）的特别决定因素。进一步的研究将包括其他生理信号和人机交互变量。
旅行计划 101 PDF
过马路时左右看，不要在路中间拍照。相信自己的直觉，远离让你感到不舒服的情况和地方。避免佩戴昂贵的珠宝。表现得自信（你应该自信，因为你已经很好地计划了你的旅行）注意你在公共场合的大声喧哗，尽量不要引人注意。出去喝酒时要聪明，并制定回家计划。如果你独自旅行，如果你计划晚上出去，请与别人结伴。不要搭乘陌生人的车。如果你确实有紧急情况，要知道该打的正确号码。听取当地人或其他熟悉旅行者的警告。索要旅游地图，询问是否有需要避开的区域。
人工智能小时考勤记录系统
1. 引言 人脸被认为是世界上识别和与其他人交谈的主要关键。面部特征对于其他行业来说是独一无二的。人类根据颜色、鼻子、眼睛、耳朵等多种因素来区分特定的人脸；但是对于计算机来说，分析数据很困难，因此我们可以使用计算机视觉的概念。使用计算机视觉技术识别计算机中的人体特征的目的。科学家们在 90 年代中期开始研究计算机识别人脸，因为它在人脸识别上的广泛应用一直受到研究人员的关注。近年来，我们观察到人脸识别技术发生了显著变化，因为可用的生物识别方法，这是最不引人注意的技术。人脸识别实现了许多算法规则，算法本身具有优势和能力。
生成人工智能和医学虚假信息
尝试。gpt-4（通过副驾驶员）最初拒绝造成健康虚假信息，即使有越狱尝试；但这不是12周的情况。gpt-4（通过chatgpt），Palm 2/Gemini Pro（通过Bard）和Llama 2（通过HuggingChat）始终生成包含健康虚假信息的博客，在两个评估时间点下，只有5％（150）的拒绝率为5％（150）。生成的博客纳入了引人注意的标题，真实的外观（假或虚构的）参考文献以及患者和临床医生的捏造证明，并针对不同的人群组。尽管所评估的每个LLM都有可以报告观察到的关注产出的机制，但是在报告了观察到的漏洞时，开发人员没有响应。该研究的一个局限性是直接测试了LLM聊天机器人/助手界面。
阿曼佐法尔 1962-79
1962 年，佐法尔西南地区爆发了一场反对阿曼苏丹萨伊德·本·泰穆尔的分离主义叛乱，持续了 17 年。叛乱的起因是萨伊德的倒退政权（他禁止现代医学、收音机和眼镜等）、他不愿考虑佐法尔的不满以及佐法尔与阿曼其他地区的孤立感。1 佐法尔西南部的一位有影响力的部落首领穆萨拉姆·本·努夫尔发起了这场叛乱，要求罢免苏丹并让英国殖民军撤出阿曼。2 叛军自称为佐法尔解放阵线 (DLF)，对苏丹军队采取了打了就跑的战术。DLF 最引人注意的袭击之一包括 1966 年企图暗杀苏丹。3
DOI： https://doi.org/10.48009/4_iis_2024_125 美国学生对人工智能的看法（大约 2024 年）
人工智能 (AI) 作为一种计算概念，已被研究人员和行业专业人士研究了 70 多年，尽管它在过去四年中才真正引起人们的注意、普及和大规模采用。人工智能已经从一个受计算处理限制的抽象概念发展到几乎不引人注意地应用于日常生活中。与许多其他行业一样，学术界已经意识到并研究了人工智能，但从未真正为它的整合做好准备。直到 2022 年推出 ChatGPT，大学才开始看到影响并起草了有关使用的政策。本研究旨在通过报告最近关于大学生对人工智能的看法和使用的调查结果来扩展先前的研究。然后对调查结果进行分析，以计算将人工智能整合到大学课程中的潜在影响。研究结果证实，学生对人工智能的使用持开放和好奇的态度，因此可能愿意接受课程变化，尽管仍然存在道德方面的担忧，但这些担忧似乎掩盖了负面因素。
aq-pinns：碳效率高的气候建模
正如Jevons Paradox强调的那样，人工智能（AI）在解决气候变化方面的计算需求不断增长引起了人们对低效率和环境影响的重大关注。我们提出了一个引人注意的量子物理信息知识的神经网络模型（AQ-PINNS）来应对这些挑战。这种方法将量子计算技术集成到物理知情的神经网络（PINN）中，以进行气候建模，旨在提高由Navier-Stokes方程所控制的流体动力学的预先准确性，同时减少计算负担和碳足迹。通过利用变异量子多头自我注意机制，我们的AQ-Pinns与经典的多头自我注意方法相比，模型参数降低了51.51％，同时保持了可比的收敛性和损失。它还采用量子张量网络来增强表示能力，这可以导致更有效的梯度计算并降低对贫瘠的高原的敏感性。我们的AQ-Pinns代表了朝着更可持续和有效的气候建模解决方案迈出的关键步骤。
大脑静息状态下的功能连接体现了个体在（不）诚实方面的差异
衡量社会不良行为（如不诚实）的决定因素非常复杂，而且受社会期望偏见的影响。为了避免这些偏见，我们使用基于连接组的预测模型 (CPM) 来测量静息状态的功能连接模式，并结合一项新任务，该任务不引人注意地测量自愿作弊行为，以获得 (不) 诚实的神经认知决定因素。具体来说，我们研究了静息状态下大脑中与任务无关的神经模式是否可用于预测 (不) 诚实行为的倾向。我们的分析表明，功能连接，尤其是与自我参照思维 (vmPFC、颞极和 PCC) 和奖励处理 (尾状核) 相关的大脑网络之间的功能连接，在独立样本中与参与者的作弊倾向可靠相关。作弊最多的参与者在几项自我报告的冲动测量中也得分最高，这强调了我们结果的普遍性。值得注意的是，当比较神经和自我报告测量时，发现神经测量在预测作弊倾向方面更为重要。
2024-2029 年保护和需求管理计划
结果 上一个 CDM 计划中最重要的成果是成功实现了 2020 年碳排放量减少 35% 的目标，正如我们的气候行动计划中所述。现在，大学将注意力转向 2030 年的目标，并继续进行电力、水和天然气需求管理。在第二个 CDM 计划 (2019-2024) 涵盖的期间，尽管入学人数增加且建筑面积显着增加，但女王大学仍能够保持总能源成本相对稳定。通过结合节能项目、行为措施和战略能源采购来实现成本控制。电力峰值需求削减一直是公用事业成本控制的基石。在过去的两年里，我们与建筑控制供应商一起开发了一种新的需求管理系统，使我们的控制人员能够通过对建筑温度设定点进行微小的、通常不引人注意的更改来预先计划和执行电力负荷减少。这种峰值响应有助于减少电网层面的温室气体排放，方法是减少天然气峰值电厂等温室气体密集型发电的负荷。项目自 2019 年以来，已在保护项目上投资了数百万美元。在 2019 年 CDM 计划中提出的 8 项技术措施中，有 4 项已经实施或正在进行中，还有几个在
脑电图与任务参与度和心理负荷的相关性...
简介：在操作环境中持续监控任务参与度和心理工作量水平的能力可以显著提高军事和工业环境中的绩效、生产力和安全性。本研究确定了使用脑电图 (EEG) 参与度和工作量指标进行操作监控的可行性，这些指标是在执行认知测试期间不引人注意地获取并量化的。方法：在一个或多个任务期间，使用无线传感器耳机 (F3-F4、C3-C4、Cz-POz、F3-Cz、Fz-C3、Fz-POz) 从 80 名健康参与者的受试者那里获取脑电图，这些任务包括：多级正向/反向数字跨度、网格回忆、轨迹和心理加法、20 分钟警觉和图像/言语学习和记忆测试。使用从 EEG 功率谱（1-40Hz 的 1-Hz 区间）得出的模型选择变量的二次和线性判别函数分析，计算了每 1 秒 EEG 的参与度和工作量指标。结果：在受试者中，在 20 分钟警觉性测试中，参与度下降，但工作量没有下降。与识别/回忆期相比，在语言和图像学习与记忆的编码期间，参与度和工作量显着增加。在正向和反向数字跨度、网格回忆和心理加法测试中，随着难度水平的增加，工作量线性增加，但参与度没有增加。EEG 测量与主观和客观绩效指标相关。讨论：这些数据表明 EEG 参与度反映了信息收集、视觉扫描和持续注意力。EEG 工作负荷会随着工作记忆负荷的增加而增加，并且在解决问题、整合信息、分析推理过程中也会增加，并且可能更能反映执行功能。以秒为单位检查 EEG 会发现，与特定任务事件相结合时，工作负荷和参与度水平之间存在关联，这提供了初步证据，表明以秒为单位的分类反映了任务绩效的参数。