XiaoMi-AI文件搜索系统
World File Search System性格特征
人工智能聊天机器人交互中的归属感、隐私问题和自我披露
本文试图研究是什么促使个人在与人工智能 (AI) 聊天机器人互动的背景下进行自我披露，以及这种互动的结果会是什么，特别是当个人认为他们是在与人类或人工智能互动时，在自我披露、社交存在感和亲密度方面是否存在差异。此外，假设用户的“归属感 (NTB)”性格特征会在聊天机器人互动的性质和评估方面带来有意义的差异。为此，采用了 2（感知的人性：人工智能聊天机器人或人类）x 2（NTB：高、低）x 2（隐私问题：高、低）受试者间实验设计（N=646）。结果显示，感知的人性在自我披露、社交存在感和亲密度方面没有显著影响：无论参与者认为与人工智能还是人类交流，他们体验到的互动都相似。该研究还解释了 NTB 如何影响个人与人工智能的互动。未发现隐私问题有显著的调节作用。根据人工智能代理服务的近期发展，讨论了这些结果的含义。
人工智能技术的接受度和对其前景的乐观度
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
人工智能法案合并文本
• 使用潜意识、操纵或欺骗手段扭曲行为，妨碍知情决策，造成重大伤害。 • 利用与年龄、残疾或社会经济状况相关的弱点扭曲行为，造成重大伤害。 • 生物特征分类系统推断敏感属性（种族、政治观点、工会会员资格、宗教或哲学信仰、性生活或性取向），但标记或过滤合法获取的生物特征数据集，或执法部门对生物特征数据进行分类的情况除外。 • 社会评分，即根据社会行为或个人特征对个人或群体进行评估或分类，对这些人造成有害或不利的待遇。 • 仅根据分析或性格特征评估个人犯罪的风险，但用于增强基于与犯罪活动直接相关的客观、可验证事实的人类评估的情况除外。 • 通过从互联网或闭路电视录像中无针对性地抓取面部图像来编制面部识别数据库。 • 在工作场所或教育机构推断情绪，医疗或安全原因除外。 • 在公共场所为执法部门提供“实时”远程生物特征识别 (RBI)，但以下情况除外：
未来十年求职面试将如何转变？使用人工智能和虚拟现实模拟的招聘人员可能会根据应聘者的行为、个人经历和
未来十年求职面试将如何转变 招聘人员可以使用人工智能和虚拟现实模拟根据应聘者的行为、性格特征和生理反应进行招聘，无需简历 作者：Hilke Schellmann 2020 年 1 月 7 日 大多数求职者和招聘经理都会同意：面试并不是找到最佳职位候选人的理想方式。求职者有时会夸大自己的优势；而经理则依靠主观信息来做出决定。而且，随着技术的快速变化迫使公司不断适应新的工作方式，这个问题正在变得越来越严重。曾经不可或缺的硬技能或经验可能越来越不能预测应聘者在工作中取得成功的机会。 “如果我们接受这样的事实：工作岗位将被颠覆和取代，2030 年或 2040 年 80% 的工作岗位如今已不复存在，专业知识和知识的价值也将贬值，那么你就必须押注于好奇心、学习能力、人际交往能力和积极性等方面，”万宝盛华集团首席人才科学家、伦敦大学学院和哥伦比亚大学商业心理学教授托马斯·查莫罗-普雷穆齐克 (Tomas Chamorro-Premuzic) 表示。在不久的将来，雇主可能会减少对简历和面试的依赖，而更多地依靠应聘者的行为、认知能力、性格特征和生理反应来决定某人是否合适。目前已有技术可供雇主分析应聘者的在线历史、生物特征数据和对模拟工作挑战的实时反应。这些技术引发了人们对道德和公平性的担忧，专家预测它们将引发法律挑战。 11 月，非营利性电子隐私信息中心向联邦贸易委员会提起诉讼，敦促该机构调查开发人工智能招聘工具的公司 HireVue，因为担心其技术不透明且缺乏问责制。HireVue 拒绝对该诉讼发表评论，并在一份声明中表示，其技术“比传统筛选流程的偏见更少”。伊利诺伊州的一项法规将于本月生效，要求公司在使用基于人工智能的视频面试工具时通知求职者。国会正在审议一项立法，要求公司检查其算法是否存在偏见。在这里，我们来看看未来几年可能重塑求职面试的技术。性格分析——在人工智能的帮助下随着软技能变得越来越重要，越来越多的雇主将使用人工智能来创建性格档案，这些档案来自求职者的社交媒体资料、LinkedIn 帐户和其他在线发布的文本，以及他们在虚拟现实模拟和视频提交中使用的词语。
对机器人和人工智能的信任
机器人化和人工智能 (AI) 有望深刻改变社会。信任是人与技术互动的重要因素，因为机器人和人工智能越来越多地参与到以前由人类处理的任务中。目前，需要研究对人工智能和机器人的信任，尤其是在初次见面时。本文报告了一项在线信任游戏实验中对机器人和人工智能信任的研究结果。信任游戏操纵了被描述为人工智能或机器人的假设对手。将这些对手与仅使用人类姓名或昵称的对照组对手进行比较。参与者 (N = 1077) 居住在美国。用机器人或人工智能描述对手不会影响参与者对他们的信任。名为 jdrx894 的机器人是最受信任的对手。名为“jdrx894”的对手比名为“Michael”的对手更受信任。进一步分析表明，拥有技术或工程学位、在线接触机器人和机器人使用自我效能可预测对机器人和人工智能的信任度更高。在五大性格特征中，经验开放性可预测更高的信任度，而尽责性可预测更低的信任度。结果表明，对机器人和人工智能的信任与环境有关，也取决于个体差异和技术知识。
研究文章 在 COVID-19 大流行期间医疗保健中采用人工智能的驱动因素和社会影响
COVID-19 疫情持续影响全球人民——稳步消耗着医疗保健领域的稀缺资源。医疗人工智能 (AI) 有望带来急需的救济，但前提是该技术得到大规模采用。本研究在 COVID-19 疫情初期对两个欧洲国家（丹麦和法国，N = 1068）进行了一项代表性研究，调查了人们采用医疗 AI 的意愿以及采用这种 AI 的驱动因素。结果揭示了对 AI 的厌恶；在 COVID-19 入院前假设的分诊阶段，只有十分之一的人选择医疗 AI 而不是人类医生。医疗 AI 采用的关键预测因素是人们对医疗 AI 的信任，其次是开放的性格特征。更重要的是，我们的研究结果表明，对人类医生的不信任和对独特性的忽视，以及缺乏社会归属感，显著增加了人们对医疗人工智能的采用。这些结果表明，要使医疗人工智能得到广泛采用，人们可能需要对人类医生表达更少的信心，甚至感到与人类脱节。我们讨论了这些发现的社会影响，并建议成功的医疗人工智能采用政策应侧重于信任建立措施——而不会削弱对人类医生的信任。
计算机化自适应测试中的人工智能
摘要 — 人工智能 (AI) 越来越多地用于为学生和工作者提供定制的、高效的电子学习、求职和职业发展援助。学生和求职者在其职业生涯和求职过程中都会多次遇到评估。组织现在采用计算机化自适应测试 (CAT)，这是一种计算机管理的评估，根据应试者的能力提供问题。CAT 旨在为应试者提供个性化评估，以准确评估他们对无法直接观察到的潜在特征（例如，一般智力和性格特征）的熟练程度。CAT 有几个挑战，例如估计个人的潜在特征、生成问题和选择问题。此外，随着测量的潜在特征维度数量的增加，或者如果项目响应是分类的而不是二进制的（例如，使用 1 到 5 的量表而不是真或假），这些挑战变得更加复杂。传统方法采用心理测量和统计模型进行估计。然而，许多使用机器学习、深度学习和其他 AI 技术的方法已经出现，以提供更好的性能。本文以技术为导向，回顾了人工智能在 CAT 中的应用，并强调了该问题领域的优势、局限性和未来挑战。我们还协调了心理测量学和人工智能中使用的不同术语和符号，以协助未来的研究和开发。
![[PDF] 创新与创业](/simg/a\a64bf7d84ec9ebdee9d29d806db8eb42a605a26e.webp)
[PDF] 创新与创业
本书将创新和创业视为一种实践和学科。它不谈论企业家的心理和性格特征；而是谈论他们的行动和行为。它使用案例，但主要是为了举例说明一个观点、一条规则或一个警告，而不是成功的故事。因此，无论是在意图还是执行上，这本书都与当今出版的许多关于创新和创业的书籍和文章不同。它与他们一样相信创新和创业的重要性。事实上，它认为，过去 10 到 15 年间美国真正创业型经济的出现是近期经济和社会历史上最重大、最令人充满希望的事件。但是，尽管今天的许多讨论都将创业视为一种略显神秘的东西，无论是天赋、才能、灵感还是“灵光一现”，但这本书将创新和创业视为有目的的任务，这些任务可以组织起来——需要组织起来——并且是系统性的工作。事实上，它把创新和创业视为高管工作的一部分。这是一本实用的书，但不是一本“如何做”的书。相反，它涉及什么、何时和为什么；涉及政策和决策等有形内容；机会和风险；结构和战略；人员配备、薪酬和奖励。创新和创业主要分为三个标题进行讨论：实践
独角兽、野兔还是乌龟？利用机器学习预测工作记忆训练表现
人们从工作记忆 (WM) 训练中受益的程度存在很大差异。尽管越来越多的研究关注与 WM 训练结果相关的个体差异，但我们仍然缺乏对哪些特定的个体差异以及以何种组合方式导致个体间训练轨迹差异的了解。在当前的研究中，568 名本科生在两周内完成了几种 N-back 干预方案之一。参与者的训练轨迹被分为三种不同的训练模式（高绩效者、中等绩效者和低绩效者）。我们应用机器学习算法来训练二叉树模型，以预测个人的训练模式，该模型依赖于先前文献中已确定为相关的几个个体差异变量。这些个体差异变量包括预先存在的认知能力、性格特征、动机因素、视频游戏经验、健康状况、双语能力和社会经济地位。我们发现我们的分类模型在区分高绩效者和相对较低的绩效者方面表现出良好的预测能力。此外，我们发现开放性和预先存在的 WM 能力是区分高绩效者和低绩效者的两个最重要的因素。然而，对于低绩效者来说，开放性和视频游戏背景是他们学习坚持的最重要预测因素。总之，在培训之前，可以使用参与者的特征来预测个人培训表现，这可以为个性化干预措施的制定提供参考。
独角兽、野兔还是乌龟？利用机器学习预测工作记忆训练表现
人们从工作记忆 (WM) 训练中受益的程度存在很大差异。尽管越来越多的研究关注与 WM 训练结果相关的个体差异，但我们仍然缺乏对哪些特定的个体差异以及以何种组合方式导致个体间训练轨迹差异的了解。在当前的研究中，568 名本科生在两周内完成了几种 N-back 干预方案之一。参与者的训练轨迹被分为三种不同的训练模式（高绩效者、中等绩效者和低绩效者）。我们应用机器学习算法来训练二叉树模型，以预测个人的训练模式，该模型依赖于先前文献中已确定为相关的几个个体差异变量。这些个体差异变量包括预先存在的认知能力、性格特征、动机因素、视频游戏经验、健康状况、双语能力和社会经济地位。我们发现我们的分类模型在区分高绩效者和相对较低的绩效者方面表现出良好的预测能力。此外，我们发现开放性和预先存在的 WM 能力是区分高绩效者和低绩效者的两个最重要的因素。然而，对于低绩效者来说，开放性和视频游戏背景是他们学习坚持的最重要预测因素。总之，在培训之前，可以使用参与者的特征来预测个人培训表现，这可以为个性化干预措施的制定提供参考。