XiaoMi-AI文件搜索系统
World File Search System新手
比较人工智能数据工作的专家和新手
许多人工智能系统设计师都在努力寻找最佳方法，以收集不同类型的训练数据。在线群体提供了一种廉价的按需情报来源，但他们往往缺乏许多领域所需的专业知识。专家提供隐性知识和更细致入微的输入，但他们更难招募。为了探索这种权衡，我们在设计基于文本的对话代理的背景下，比较了新手和专家在人类智能任务方面的表现和看法。我们开发了一个初步的聊天机器人，它模拟与寻求心理健康建议的人的对话，以帮助教育 7cups.com 的志愿听众。然后，我们招募了经验丰富的听众（领域专家）和 MTurk 新手工作者（群体工作者）来执行任务，以改进具有不同复杂程度的聊天机器人。新手群体在只需要自然语言理解的任务上的表现与专家相当，例如纠正系统对用户语句的分类方式。对于更具生成性的任务，例如创建新的聊天机器人对话，专家们表现出更高的质量、新颖性和情感。我们还发现了一个激励差距：众包工作者喜欢互动任务，而专家们则认为这项工作乏味且重复。我们提供了设计考虑，以分配众包工作者和专家完成 AI 系统的输入任务，并更好地激励专家参与 AI 的低级数据工作。
比较人工智能数据工作的专家和新手 - NSF-PAR
许多人工智能系统设计师都在努力寻找最佳方法，以收集不同类型的训练数据。在线群体提供了一种廉价的按需情报来源，但他们往往缺乏许多领域所需的专业知识。专家提供隐性知识和更细致入微的输入，但他们更难招募。为了探索这种权衡，我们在设计基于文本的对话代理的背景下，比较了新手和专家在人类智能任务方面的表现和看法。我们开发了一个初步的聊天机器人，它模拟与寻求心理健康建议的人的对话，以帮助教育 7cups.com 的志愿听众。然后，我们招募了经验丰富的听众（领域专家）和 MTurk 新手工作者（群体工作者）来执行任务，以改进具有不同复杂程度的聊天机器人。新手群体在只需要自然语言理解的任务上的表现与专家相当，例如纠正系统对用户语句的分类方式。对于更具生成性的任务，例如创建新的聊天机器人对话，专家们表现出更高的质量、新颖性和情感。我们还发现了一个激励差距：众包工作者喜欢互动任务，而专家们则认为这项工作乏味且重复。我们提供了设计考虑，以分配众包工作者和专家完成 AI 系统的输入任务，并更好地激励专家参与 AI 的低级数据工作。
教授研究生新手的高级统计方法：一个案例示例
教育领域的高级研究专业的学生在理解或采用统计数据分析方法方面的准备很大。这仍然需要在自己的领域阅读文献，这将不可避免地包括此类研究。这种弱点可能会导致学生选择使用定性或解释主义方法，即使教育数据非常复杂，需要复杂的分析技术来正确评估嵌套数据，多性共线因素，数据缺失和随时间变化的影响。本文介绍了一所研究强化大学的研究方法课程，专为仅论文学位课程的学生设计。该课程强调统计方法的逻辑和概念功能，并使学生接触到动手教程，其中要求学生使用开放式数据进行分析。12周课程的上半年侧重于核心知识，通常在第一年的概率和统计课程中教授。下半场重点是引入和建模处理复杂问题和数据所需的高级统计方法。提供课程大纲以及教学和评估的描述。该示例是如何将相对新手引入统计方法的概念使用以提高研究信誉的概念使用。
10周的空手道培训对空手道新手的运动技能发展的影响
这项研究调查了为期10周的空手道培训计划对使用两个不同测试电池新手的5-7岁儿童的运动技能开发的影响。这项研究中总共包括28名参与者：空手道组18个，对照组有10名。空手道小组接受了基本空手道培训（KIHON）计划，该计划包括90分钟的课程，每周四天，除了在学校的体育课程外，持续了十个星期。相比之下，对照组除了学校的体育课程外没有参加任何运动活动。数据。在空手道组的人体测量测量前测试比较中，对照组没有发现显着差异。相比之下，高度，体重指数和体内脂肪百分比获得了显着差异。在对两个独立组的测试后分析中，在统计学上有显着差异，有利于空手道组关于身高和体内脂肪百分比的差异（p <0.005）。在空手道组的欧元拟合测试和TGMD-2的PES POST分析中，所有参数在统计学上显示出显着的改进（P <0.001），而对照组没有统计差异。在比较空手道和对照组后，欧元拟合测试和TGMD-2后测试结果显示，空手道组的所有参数中的得分显着较高（统计上显着差异）。总而言之，研究表明，为期10周的空手道培训计划对参与儿童的运动发展产生了积极影响。
使用人工智能指南对新手进行风湿性心脏病筛查
结果：36名新手参与者总共扫描了50名患者，总共进行了462次超声心动图研究，使用AI指南获得了362例，没有AI指导获得了100名未经AI指南的专家Sonographers获得的362例。新手图像在> 90％的研究中启用了诊断解释，用于存在/不存在RHD，异常MV形态和二尖瓣反流（专家vs 99％，P＃.001）。图像对主动脉瓣疾病的诊断较少（主动脉瓣反流的79％，主动脉狭窄为50％，专家为99％和91％，p <.001）。美国急诊医师学院的数量不XPERT图像在外部长轴图像（平均值为3.45; 81％$ 3）中最高，而Pains 4-Chamber（平均值为3.20; 74％$ 3）和顶端5室图像（平均值为2.43; 38％$ 3; 38％$ 3）的评分较低。
对数学专家和新手的高密度脑电图数据的非线性和机器学习分析
神经科学的当前趋势是使用自然主义刺激，例如电影，课堂生物学或视频游戏，旨在在生态上有效的条件下了解大脑功能。自然主义刺激招募复杂和重叠的认知，情感和感觉脑过程。大脑振荡形成了此类过程的基本机制，此外，这些过程可以通过专业知识来修改。尽管大脑作为生物系统是高度非线性的，但通常通过线性方法分析人类皮质功能。这项研究应用了一种相对健壮的非线性方法，即Higuchi分形维度（HFD），将数学专家和新手的皮质功能分类为在脑电图实验室中解决长期且复杂的数学示范。脑成像数据是在自然主义刺激期间长期跨度收集的，可以应用数据驱动的分析。因此，我们还通过机器学习算法探讨了数学专业知识的神经标志。需要新颖的方法来分析自然主义数据，因为基于还原主义和简化研究设计的现实世界中脑功能的理论的表述既具有挑战性又可疑。数据驱动的智能方法可能有助于开发和测试有关复杂大脑功能的新理论。我们的结果阐明了HFD在复杂数学期间对数学专家和新手分析的不同神经签名，并将机器学习作为一种有前途的数据驱动方法，以了解专业知识和数学认知的大脑过程。
理解和克服空中交通管制中的水平分离复杂性：专家/新手比较
在部分任务训练器中，当显示两到五架飞机在同一高度的轨迹时，我们测试了见习空中交通管制员和经验丰富的空中交通管制员对随机交通的复杂性。我们使用两种不同的显示器比较了见习空中交通管制员和经验丰富的空中交通管制员的表现：一个是显示飞机位置信息的基本显示器，另一个是动态可视化工具，当用户对飞机添加机动时，该工具表示飞机轨迹的冲突部分和冲突区域的演变。该工具允许用户在做出机动决定之前使用计算机鼠标动态检查潜在的冲突区域。结果表明，在简单情况下（两架飞机），显示器和群组的表现相似。然而，随着情况的复杂性增加（从三架到五架飞机），动态可视化工具使用户能够更有效地解决冲突。使用该工具可以减少未解决的冲突。即使经验丰富的空中交通管制员在复杂情况下的表现比见习空中交通管制员要好得多，他们在使用冲突可视化工具时的表现也比没有使用冲突可视化工具时要好得多。
理解和克服空中交通管制中的水平分离复杂性：专家/新手比较
在部分任务训练器中，当显示两到五架飞机在同一高度的轨迹时，我们比较了受训和经验丰富的空中交通管制员在随机交通中的复杂性。我们使用两种不同的显示器比较了受训空中交通管制员和经验丰富的空中交通管制员的表现：一个显示飞机位置信息的基本显示器和一个动态可视化工具，当用户向飞机添加机动时，该工具表示飞机轨迹的冲突部分和冲突区域的演变。该工具允许用户在做出机动决定之前使用计算机鼠标动态检查潜在的冲突区域。结果表明，在简单情况下（两架飞机），显示器和群组的表现相似。但是，随着情况的复杂性增加（从三架飞机到五架飞机），动态可视化工具使用户能够更有效地解决冲突。使用该工具可以减少未解决的冲突。即使经验丰富的空中交通管制员在复杂情况下的表现比见习空中交通管制员好得多，他们在使用冲突可视化工具时的表现也比没有使用冲突可视化工具时要好得多。
通过深度生成模型的 AI 指导工具实现新手与 AI 音乐共同创作
摘要虽然生成式深度神经网络 (DNN) 已展示出其创作新颖乐曲的能力，但人们对与这些音乐 AI 共同创作的挑战和潜力关注较少，尤其是对于新手而言。在一项对一种广泛使用的交互式音乐 AI 的需求探索研究中，我们发现 AI 会因其生成的音乐内容数量而让用户不知所措，并因其非确定性输出而令他们沮丧。为了更好地满足共同创作需求，我们开发了 AI 指导工具，包括将内容生成限制为特定声音的语音通道；用于控制生成内容与现有示例的相似性的基于示例的滑块；用于推动音乐生成朝高级方向（快乐/悲伤、常规/惊讶）的语义滑块；以及可供试听和选择的生成内容的多种替代方案。在一项总结性研究（N=21）中，我们发现这些工具不仅增强了用户对人工智能的信任、控制、理解和合作感，而且还有助于增强用户相对于人工智能的自我效能感和对作品的主人翁感。
移动机器人的快速学习方法（FLM）向新手高级技术学校学生，以更快地了解机器人
机器人教育是高中生对机器人和相关领域感兴趣的有前途的方式。这对于教师和教育研究人员有很大的潜在机会来研究这一领域。该主题包括教育机器人编程，机器人设计，机器人构造和计算思维[1]。这种学习方法将使学生对此主题感兴趣并与他们互动。对这些主题的研究表明，在学校环境中使用机器人可能会提高学生科学素养。对新手学生的基本技能的理解，没有事先在机器人建筑上的学校经验，这是非常重要的。这种基本知识将探索学生对自己的兴趣，以研究机器人的深入[2]。除了增加学生对机器人学习的兴趣外，机器人教育还可以预期革命4.0的挑战和变化的技术进步，教育从业人员还必须使学生能够通过学习过程来遵循这些挑战和变化。学习机器人的常见术语被称为机器人教育（RE）[3]。该方法的细节如图1。通常，该方法分为三个主要阶段。勘探阶段，解释阶段和通信阶段。每个阶段都有子活动。第一阶段具有探索信念和主题，选择和取消选择信息。第二阶段具有分析和合成任务。他们将来可以更容易适应这种情况。最后一个通信阶段执行学生演示和最终报告。机器人教育旨在使用ER方法确定可以在学习过程中培训哪种技能，以及对适用于学生的哪种合适的机器人进行的评估。高中生学习机器人的另一个重要性和目的是在学生早期适应和发展计算思维[4]。这种年轻的机器人学习方法将尽快引入计算思维的挑战。