XiaoMi-AI文件搜索系统
World File Search System心理模型
儿童自杀思想和行为的分类
与构想和尝试相关联。Janiri等5检查使用逻辑回归的潜在风险和保护性因素范围更广泛，还表明，更高水平的家庭冲突是自杀，儿童心理病理学的存在，更长的周末筛查时间和更长的周末筛查时间也被发现是危险因素，而危险因素更大，而父母的监督和积极的学校参与是保护因素。的发现表明，贫穷的家庭连贯性和支持与儿童自杀念头有关，与个人的心理模型以及自杀行为的综合动机 - 自愿性模型相一致，在这种模型中，独自一人和不支持的感觉（挫败遗产）的感觉是自杀构思和尝试的重要风险因素。8，9然而，以前已确定为自杀思想和行为相关的社会学和临床因素并没有改善对自杀思想或行为的预测。10因此，需要研究与自杀思想和行为相关的新措施，例如遗传学或区域大脑活动，这些措施已证明在青少年中在这些思想和行为中起作用。11此外，这些研究还没有检验，是否有多种因素的组合，而不是每个风险因素的关联，而是区分有或没有自杀 *联合第一作者的儿童。
视觉和语言模型是否共享概念？向量空间对齐研究
另一些人则认为，语言模型具有推理语义，但没有指称语义（Rapaport，2002；Sahlgren 和 Carlsson，2021；Piantadosi 和 Hill，2022），3 而一些人则认为，至少对于直接对话的聊天机器人来说，一种外部指称语义是可能的（Cappelen 和 Dever，2021；Butlin，2021；Mollo 和 Milli`ere，2023；Mandelkern 和 Linzen，2023）。然而，大多数研究人员都认为，语言模型“缺乏将话语与世界联系起来的能力”（Bender 和 Koller，2020），因为它们没有“世界的心理模型”（Mitchell 和 Krakauer，2023）。这项研究提供了相反的证据：语言模型和计算机视觉模型 (VM) 是在独立的数据源上进行训练的（至少对于无监督的计算机视觉模型而言）。唯一的共同偏见来源是世界。如果 LM 和 VM 表现出相似性，那一定是因为它们都对世界进行了建模。我们通过测量不同 LM 和 VM 的几何形状的相似性来检查它们学习到的表示。我们始终发现，LM 越好，它们诱导的表示就越类似于计算机视觉模型诱导的表示。这两个空间之间的相似性使得我们能够从一组非常小的并行示例中将 VM 表示线性投影到语言空间并检索高度准确的字幕，如图 1 中的示例所示。
算法设计中的人类偏见 - cdn
许多人认为，算法未能辜负其Prom-ISE来反映用户偏好并改善社会福利1 - 4。概率不是技术。现代算法是精致且准确的。对无代表性样本的培训算法会导致该问题，但即使对算法进行了培训，也会发生故障。也不是由利润动机引起的问题。营利性公司设计算法是为用户付出代价的，但即使是非营利组织和政府，也没有缺少5个。所有算法均基于用户正在做的心理模型。该模型的基本约束是可预测算法的可测量变量的狭窄。我们建议算法无法反映用户偏好并增强其福利，因为算法依赖于显示的偏好来做出预测。设计人员以错误的假设构建算法，即用户行为（显示的偏好）告诉我们（1）用户在理性上偏爱的内容（规范性偏好）和（2）什么将增强用户福利。依靠这个95年历史的经济模型，而不是用户表现出有限合理性的更现实的假设，而是导致设计师对用户行为进行培训算法。揭示的偏好可以识别未知的偏好，但是揭示的偏好是对用户的规范偏好和价值的衡量的不完整（有时会引起误导）6。具有讽刺意味的是，现代算法是建立在对揭示偏好中的过时且无可辩驳的承诺之上的。
基于人工智能和心理模型的体育经济的健康和可持续发展
近年来，体育运动已在全球范围内取得了快速发展，全球经济得到了显着改善和改善。随着两者的深入发展，体育与经济之间的联系也变得越来越紧密。体育经济是一种新型的经济形式，由体育组织的专业化，参与消费化以及在市场经济条件下以利润为导向的运营构成。不能一次发展体育经济的发展；它需要健康和可持续的发展。为了找到一种更好的方法来研究体育经济的健康和可持续发展，本文使用深度学习网络算法并支持向量机器学习算法来构建心理模型。然后，它使用该模型来分析中国一个省体育行业的各种指标。本文正在寻找信息，并总结了2017年至2021年的全省体育数据。该实验的体育指标包括区域GDP，体育产业的总产出，体育从业人员，当地的金融体育支出，政策数量，参加体育锻炼的人数以及健身场所和设施。实现结果表明，这些变量在正常条件下以相对较小的速率发展，然后在未来几年通过心理模型的健康和可持续发展的情况下预测数据。体育经济的各种指标的增长率已大大增加，与正常发展相比，它们的优化约为20％。
通过解释 - 一致性的芬特培养
经常会产生不一致的解释，并在非常相关的问题上进行解释（Chen等人，2023b）。实际上，LLMS甚至常常难以回答同一问题的重塑（Sclar等人，2023;张等。，2023）。目前尚不清楚适应LLM的流行方法，例如从人类反馈中监督的填充或加强学习能够解决此问题。我们通过引入解释 - 一致性登录（EC-FINETUNING）来解决此问题。ec-芬特列列列列斯在合成数据上的LLM精确构建以包含一致的规定。我们从一个问题解释对开始（例如，麻雀可以飞吗？”，“所有的鸟都可以飞”），产生一组相关问题（例如，“可以飞翔？”），然后回答与初始解释一致的相关问题（例如，“所有鸟类都可以飞行，以便企鹅可以飞”）。我们通过提示LLM来生成综合数据，这可能与解释LLM相同或不同。我们将EC-FINETIND应用于提问数据集，并发现它在四个芬口数据集中将自然语言解释的一致性提高了10.0％，也将七个分发数据集的概括（ +4.5％相对）概括为七个未见到的数据集（ +4.5％）。这表明EC-Finetuning通常对于帮助用户从其解释中构建LLM的心理模型很有用（见图1）。
人类行为与可持续性科学的博士...- cdn 基础III：进化与生物多样性-CDN DNA序列和染色质分化了人类疟原虫疟原虫恶性疟原虫中序列特异性转录因子的结合 Cristal Villalba，MSC，PhD -CDN 通过逃避噬菌体抗性机制来改善噬菌体疗法 转移具有深层生成域适应性新可穿戴传感器的活动识别模型 铂纳米线/mxene纳米片/多孔碳三元纳米复合材料，用于原位监测从神经元细胞释放的多巴胺 钻石中无序的偶极自旋合奏中的准浮力细胞化 雷神无人机竞赛-CDN 在二维光子准晶体中的非热序 使用可信赖的执行确保云文件系统 - cdn PHD在根系和深层健康中的位置-CDN Austin Iglesias saragih -cdn
John Coley，概念组织，推理和教育（核心）实验室：人类与自然关系的心理模型；人类中心主义和人类例外主义；生态思维中的文化和经验差异；环境认知对环境态度和行为的影响。SaraConstantino，可持续性与社会变革实验室：社会和环境政策和决策；了解个人，制度和生态因素在感知，政策偏好以及对极端事件或冲击的韧性之间的相互作用； the role of polarization, social norms and governance in stimulating or stifling support for climate action. Juliet Davidow , Learning & Brain Development Lab : Research bridging classic areas in psychology, neuroscience, and computer science, to investigate how learning behaviors change with age and can influence what is remembered, how decisions are made, and how goals are established. David Desteno , Social Emotions Lab : Impact of moral emotions on phenomena requiring self-regulation;合作，亲社会行为，道德和经济决策等。 及其对可持续性的影响。ArtKramer，认知和大脑健康中心：城市和野生绿色空间对认知和大脑健康的影响。BrieReid，Reid Lab，气候压力，环境压力，水不安全感，金属曝光，金属曝光率，环境变化，诱发的食物不稳定等等。John Coley，概念组织，推理和教育（核心）实验室：人类与自然关系的心理模型；人类中心主义和人类例外主义；生态思维中的文化和经验差异；环境认知对环境态度和行为的影响。SaraConstantino，可持续性与社会变革实验室：社会和环境政策和决策；了解个人，制度和生态因素在感知，政策偏好以及对极端事件或冲击的韧性之间的相互作用； the role of polarization, social norms and governance in stimulating or stifling support for climate action. Juliet Davidow , Learning & Brain Development Lab : Research bridging classic areas in psychology, neuroscience, and computer science, to investigate how learning behaviors change with age and can influence what is remembered, how decisions are made, and how goals are established. David Desteno , Social Emotions Lab : Impact of moral emotions on phenomena requiring self-regulation;合作，亲社会行为，道德和经济决策等。及其对可持续性的影响。ArtKramer，认知和大脑健康中心：城市和野生绿色空间对认知和大脑健康的影响。BrieReid，Reid Lab，气候压力，环境压力，水不安全感，金属曝光，金属曝光率，环境变化，诱发的食物不稳定等等。可以通过产前/产后压力生理和营养机制影响人类的发展。亚伦·塞特（Aaron Seitz），精神健康和福祉的大脑游戏中心：了解认知过程的机制，并将这些知识应用于公共利益；概念上的改变；决策；信息处理。BrionySwire-Thompson，《误导性心理学实验室：为什么人们相信错误信息，为什么人们在线共享错误信息以及如何设计矫正以促进信念的变化。
人工智能系统分类模型
设计和部署人工智能 (AI) 系统的组织越来越多地致力于高层次的道德原则。然而，人工智能伦理的原则和实践之间仍然存在差距。组织在尝试实施人工智能伦理时面临的一个主要障碍是缺乏明确定义的物质范围。换句话说，人工智能伦理原则应该适用于哪些系统和流程的问题仍未得到解答。当然，人工智能并没有普遍接受的定义，不同的系统带来不同的道德挑战。然而，务实的解决问题要求对事物进行分类，以便它们的分组能够促进某些特定目的的成功行动。在本文中，我们回顾并比较了以前为在实践中实施人工智能治理而对人工智能系统进行分类的尝试。我们发现，以前文献中对人工智能系统进行分类的尝试使用了以下三种心智模型之一：转换模型，即一种二元方法，根据系统的特征将系统视为或不视为人工智能系统；阶梯模型，即一种基于风险的方法，根据系统所带来的道德风险对其进行分类；矩阵，即多维系统分类，考虑了各种方面，例如上下文、数据输入和决策模型。这些用于对人工智能系统进行分类的模型各有优缺点。通过将对人工智能系统进行分类的不同方式概念化为简单的心理模型，我们希望为设计、部署或监管人工智能系统的组织提供在实践中实施人工智能治理所需的概念工具。
neuroimage
神经生理学和心理模型认为，情绪取决于广泛的colticolimbic电路的联系。虽然先前使用模式识别对神经成像数据的研究表明，大脑活动模式中各种离散情绪之间的差异，但对功能连通性的差异的了解较少。因此，我们对功能磁共振成像数据（i）采用了多元模式分析来开发用于在功能连接数据中应用模式识别的管道，以及（ii）测试连通性模式是否在情绪类别之间存在。六种情绪（愤怒，恐惧，厌恶，幸福，悲伤和惊喜）和16名参与者的中性状态使用一分钟的长时间情感叙事，具有自然韵律，而通过功能磁共振成像（fMRI）来衡量大脑活动。我们计算了全脑连接的情感连接性矩阵，以及10个先前定义的功能连接的大脑子网子网，并培训了跨参与者分类器，以根据全脑数据和每个子网络分别根据全脑数据进行分类。除了悲伤之外，所有情绪都以上所有情绪表现出的全脑分类器，这表明不同的情绪的特征是大规模连通性模式的差异。专注于10个子网络中的连接性时，分类在默认模式系统和所有情绪中都成功。因此，我们显示了针对情绪类别实例的持续不同持续功能连接模式的初步证据，尤其是在默认模式系统中。
人类与人工智能
人工智能是当今最受争议的话题之一，而对于人类智能和人工智能之间的异同，人们似乎并没有达成共识。关于可信度、可解释性和道德等许多相关主题的讨论都带有隐含的人类中心主义和拟人化概念，例如，追求类人智能是人工智能的黄金标准。为了达成更多共识并证实未来可能的研究目标，本文提出了关于人类智能和人工智能之间异同的三个概念：1）人类智能（和人工智能）的基本限制，2）人类智能是多种可能的通用智能形式之一，3）多种（集成）形式的窄带混合人工智能应用的巨大潜在影响。目前，人工智能系统的认知品质和能力与生物系统有着根本的不同。因此，一个最突出的问题是，我们如何才能尽可能有效地使用（并“合作”）这些系统？对于哪些任务和在什么条件下，决策可以安全地留给人工智能，什么时候需要人类判断？我们如何才能充分利用人类和人工智能的特定优势？如何有效地部署人工智能系统来补充和补偿人类认知的固有限制（反之亦然）？我们应该追求发展具有人类（水平）智能的人工智能“伙伴”，还是应该更专注于补充人类的局限性？为了回答这些问题，在工作场所或政策制定中使用人工智能系统的人类必须开发一个适当的心理模型，以了解人工智能潜在的“心理”机制。因此，为了获得功能良好的人机系统，应该更加积极地解决人类的智能意识问题。为此，提出了第一个教育内容框架。
和解方法范式：采用大型语言模型作为新手定性研究助理人才管理研究div
定性数据收集和分析方法，例如采用访谈和焦点小组的方法，为客户态度，情感和行为提供了丰富的见解。但是，手动定性数据需要大量的时间和精力来确定相关主题和主题见解。这项研究提出了一种新的方法来解决这一挑战，通过利用基于Aug的Generative Auged Generation（RAG）大型语言模型（LLMS）来分析访谈成绩单。这项工作的新颖性在于制定研究探究作为新手研究助理的LLM增强的研究。本研究探讨了LLM的心理模型，以作为人才管理领域研究人员的新手定性研究助理。扩展了一种基于抹布的LLM方法，以启用半结构化访谈数据的主题建模，展示了这些模型在信息检索和搜索中的传统用途之外的多功能性。我们的发现表明，与手动生成的主题相比，LLM-EAGMAIN-augment的破布方法可以成功提取感兴趣的主题，并具有明显的覆盖范围。这确立了使用LLM作为新手定性研究助理的生存能力。此外，该研究建议研究人员利用这种模型在传统定性研究中使用的质量标准，以确保其方法的严格性和可信度。最后，本文为寻求调和LLM与既定的定性研究范式调和使用LLM的行业从业人员提出了关键建议，为在人才管理研究中分析定性数据集的分析时，为有效整合了这些功能强大的新手工具提供了路线图。