引言近年来,金融业遇到了一种普遍存在的挑战,即漂绿行为。漂绿行为是一种夸大或歪曲公司对环境影响的做法,以给人留下公司比实际更注重环保的印象 (Huang & Chen, 2015)。当环境、社会和治理 (ESG) 报告等正式公共信息加剧信息不对称并增加市场混乱的风险时,就会发生这种情况 (Liu et al., 2024)。夸大其词是漂绿行为的一种常见形式,事实证明,它通过扭曲可持续发展目标的实现和评估来阻碍可持续发展目标的实现 (Cojoianu et al., 2020)。这通常表现为使用过于积极的语言来描述公司的环境、社会或治理绩效,而没有提供足够的支持数据或证据。因此,检测和解决 ESG 报告中的夸大其词至关重要。人工智能 (AI) 正在塑造世界,尤其是像 ChatGPT 这样的生成式人工智能 (GenAI) 的快速发展。金融领域的一些研究已经开始利用人工智能来解决 ESG 报告中的问题。例如,一些研究比较了传统和人工智能驱动的 ESG 评级 (Hughes 等人,2021)。一些研究调查了人工智能对漂绿和可持续发展报告的影响 (Moodaley & Telukdarie, 2023)。Yang 等人 (2021) 发现 ESG 披露降低了公司债券信用利差,降低了风险并增强了投资者信心,而 Biju 等人 (2023) 使用 MAXQDA 软件将 ESG 的情绪得分与漂绿的看法联系起来。这些研究表明了在分析 ESG 报告中应用人工智能的可能性和潜力。因此,本研究受到启发,充分利用人工智能,尤其是 GenAI,来评估 ESG 报告中的夸大行为 (Jain 等人,2023)。尽管先前的研究已经研究了审查和评估 ESG 报告的各种技术,但识别夸大断言的难度仍然没有得到充分研究,尤其是在使用最先进的人工智能技术时。此外,即使公司可能在其 ESG 报告中使用“极端”、“完整”或“最高”等形容词,但这并不总是意味着他们夸大了他们的成就;事实上,一些公司可能在这方面表现出色。因此,仅依靠 ESG 报告中的术语无法彻底确定公司是否夸大了他们的主张。GenAI 的优势在于能够通过分析上下文细节来辨别是否有合理的理由怀疑夸大。本研究旨在通过利用 GenAI 来检测 ESG 报告中的夸大描述,从而弥补这一差距,从而更准确、更稳健地评估企业可持续发展绩效。我们采用三种不同的即时工程策略,即零样本、少量样本和思路链 (COT) 来分析一组 ESG 报告。此外,我们还将该方法与传统文本分析技术和人类智能进行交叉验证。这
随着人工智能在决策中的应用越来越广泛,了解人类和人工智能系统如何有效协作变得越来越重要。人机协作的一个方面是可解释的人工智能 (XAI),旨在使人工智能系统做出的决策为人类所理解。本文介绍了人机协作中 XAI 的框架视角。根据这一理论,我们提出了从基于说服的 XAI(人类被动接受算法解释)向 XAI 中的共同创造(人类和人工智能协作创造有意义的解释)的转变。我们通过框架分析来推动这一转变,将传统的 XAI 开发与睡眠医学中关于 XAI 的观点的经验数据进行对比。本文通过一种更具互动性和情境感知的 XAI 方法为增强人机协作提供了新的见解。
半导体制造业正在经历一场数据驱动的革命,推动力来自电子设备和智能技术的进步。这种转变显著增加了数据的数量、速度和种类,从而增强了知识提取和流程优化。然而,传统的解决方案,例如“跨行业数据挖掘标准流程”、“数据库中的知识发现”和“团队数据科学流程”,不足以解决实时分析、高维数据和特定领域的挑战。为了弥补这些差距,我们引入了一个将可解释的人工智能与设计科学研究方法相结合的新框架。该框架的主要贡献包括实时处理能力、领域知识的集成以及人工智能 (AI) 模型的增强透明度,从而确保准确且可解释的决策。该框架通过晶圆图聚类展示,为实施数据挖掘和人工智能项目提供了全面、行业特定的系统指导,提供了高效、易于理解的解决方案,可以改善半导体制造。
背景:中风又称脑卒中,是全球第二大死亡原因,也是致残的主要原因。中风后,肌肉协同作用的激活和组织发生改变,导致自主运动无法正常执行。中风后,皮质脊髓束受损,其他下行通路可能会上调以进行补偿。这些通路的作用可能以新的协同作用的形式出现,这是神经轴可塑性的结果。这导致独立关节控制的丧失,从而扰乱上肢的自主运动,损害中风幸存者的生活质量。该研究涉及早期中程训练对急性中风患者上肢功能和生活质量的应用。
Jennifer G. Dy 是马萨诸塞州波士顿东北大学电气与计算机工程系的全职教授,她于 2002 年首次加入该系。她分别于 1997 年和 2001 年获得印第安纳州西拉斐特普渡大学电气与计算机工程学院的硕士和博士学位,并于 1993 年获得菲律宾大学电气工程系的学士学位。她的研究涵盖机器学习的基础及其在生物医学成像、健康、科学和工程中的应用,研究领域包括无监督学习、可解释模型、可解释人工智能、降维、特征选择/稀疏方法、向不确定专家学习、主动学习、贝叶斯模型、深度表示学习、持续学习和可信赖人工智能。她是体验式人工智能研究所的人工智能教员主任。她还是机器学习实验室主任,也是东北大学 SPIRAL(信号处理、成像、推理和学习)中心的创始教员。她于 2004 年获得 NSF 职业奖。她曾担任或正在担任 ICML 董事会 (前身为国际机器学习学会) 秘书、《机器学习研究杂志》、《机器学习》杂志、《IEEE 模式分析与机器智能学报》副主编/编委会成员、机器学习、人工智能和数据挖掘顶级会议 (ICML、NeurIPS、ACM SIGKDD、AAAI、IJCAI、UAI、AISTATS、ICLR、SIAM SDM) 的组织和/或技术程序委员会成员、SIAM SDM 2013、ICML 2018、AISTATS 2023 和 AAAI 2024 的项目主席。她是 AAAI 研究员
这是我的联系,旨在在我的论文中探索 - 现实与想象力之间的联系,理性与情感之间的联系,科学与艺术之间的联系。令人着迷的是,我们一些最伟大的物理学家如何将音乐作为对他们的思想和反之亦然的最持久影响之一。音乐的创作和接受是一种深刻的科学行为。从创建乐器到演奏以表演,科学定律通常被认为是直观和创造性的。实际上,正如我所看到的,物理定律可以通过这种表演艺术的直观和创造性的方法深入理解和欣赏,尤其是在使年轻一代更容易获得。如果我们成功地建立了为学生建立这种联系,那么学习音乐和物理学的同时也可以同时获得高度愉快和有益。
本作品受版权保护。所有权利均由出版商独家独家授权,无论涉及全部或部分材料,具体而言,包括翻译、重印、重复使用插图、朗诵、广播、以缩微胶片或任何其他物理方式复制、传输或信息存储和检索、电子改编、计算机软件或通过现在已知或今后开发的类似或不同的方法。本出版物中使用的一般描述性名称、注册名称、商标、服务标记等并不意味着,即使没有具体声明,这些名称也不受相关保护法律和法规的约束,因此可以免费用于一般用途。出版商、作者和编辑可以放心地认为,本书中的建议和信息在出版之日是真实准确的。出版商、作者或编辑均不对本文所含材料或可能出现的任何错误或遗漏提供明示或暗示的保证。出版商对于已出版地图的管辖权主张和机构隶属关系保持中立。
人工智能 (AI) 将在未来十年统治世界。我们当前的创新和发明正在为实现这一目标铺平道路。虽然人们对这种转变感到兴奋和好奇,但组织及其员工对此有何感受仍不清楚。本研究的目标是从员工的角度了解影响组织采用 AI 技术和技术的因素。为了实现这一目标,作者使用了扎根理论和半结构化访谈。发现影响组织采用 AI 的积极或消极新兴因素可以帮助组织的高管制定针对其实施的设计特定政策。从员工的角度进行这项研究至关重要,因为员工是使用 AI 技术和技术来履行其工作职责的人。
液晶 (LC) 分子的超分子自组装引起了广泛关注,因为这些动态和自组织结构可以诱导各种高级功能,如传输、信息、传感、驱动、光功能和生物功能。分子结构的设计和分子相互作用的控制是获得高功能液晶纳米组装的关键。1-7 本文从 1D、2D 和 3D 纳米结构的设计和自组织的角度介绍了纳米结构功能液晶材料。还描述了材料设计与分子动力学 (MD) 3,8,9 模拟和高级测量 10,11 的协同作用。例如,近晶液晶材料已应用于 2D 纳米结构电解质 7,12 和水处理膜 3,13。在 2D 液晶电解质中观察到与锂离子电池一样的稳定行为。 7,12纳米结构聚合物保留了由相分离产生的二维近晶结构,从而实现了高病毒去除率。3,13通过MD模拟和X射线光谱研究了1D、2D和3D纳米结构及其高级功能之间的关系。8,9,10,11例如,通过X射线和MD模拟获得的电子密度图结果很好地解释了近晶电解质分子的2D相结构及其转变。9此外,同步加速器软X射线发射研究很好地解释了亚纳米多孔水处理液晶膜的选择性。11基于自组织动态结构的性质,液晶作为高功能软物质在各个领域具有巨大潜力。致谢:非常感谢KAKENHI JP19H05715、JST-CREST JPMJCR1422、JPMJCR20H3 和MEXT 材料研发项目JPMXP1122714694 的资金支持。
摘要:可解释人工智能的最终目标是建立既具有高精度又具有可解释性的模型。理解此类模型的推论可以看作是揭示其输入和输出之间关系的过程。这些关系可以表示为一组推理规则,这些规则通常在模型中并不明确。学者们提出了几种从数据驱动的机器学习模型中提取规则的方法。然而,对它们的比较研究有限。本研究提出了一种新颖的比较方法,通过使用六个定量指标来评估和比较四个事后规则提取器生成的规则集。研究结果表明,这些指标实际上可以帮助识别优于其他方法的方法,从而能够成功地对可解释性的独特方面进行建模。