XiaoMi-AI文件搜索系统
World File Search System理解能力
第 1 章 什么是心理学？
也许，在第一堂课上，老师就问过你，为什么你选择心理学而不是其他科目。你希望学到什么？如果有人问你这个问题，你会怎么回答？通常，课堂上对这个问题的回答范围之广确实令人眼花缭乱。大多数学生的回答都很无聊，好像他们想知道别人在想什么。但是，你也会遇到这样的回答，比如了解自己、了解他人，或者更具体的回答，比如知道人们为什么会做梦，为什么人们会不遗余力地帮助别人或互相殴打。所有古老的传统都涉及人性问题。特别是印度哲学传统，处理的是人们为什么会以他们的方式行事的问题。为什么人们通常不快乐？如果他们希望生活中幸福，他们应该在自己身上做出哪些改变？像所有知识一样，心理学知识也旨在促进人类福祉。如果世界充满苦难，那很大程度上是人类自身的问题。也许，你问过为什么会发生 9/11 或伊拉克战争。为什么德里、孟买、斯利那加或东北部的无辜民众要面对炸弹和子弹？心理学家想知道，是什么让这些年轻人变成了寻求报复的恐怖分子。但人性还有另一面。你可能听说过阿卢瓦利亚少校的名字，他在与巴基斯坦的战争中受伤，腰部以下瘫痪，但他却登上了珠穆朗玛峰。是什么促使他攀登如此高的高度？这些不仅仅是心理学作为一门人文科学所研究的人性问题。你会惊讶地发现，现代心理学还研究一些模糊的微观现象，如意识、在噪音面前集中注意力，或者在他们的球队在足球比赛中战胜传统对手后，支持者试图烧毁购物中心。心理学不能声称已经找到了这些复杂问题的答案。但它肯定提高了我们对这些现象的理解和理解能力。与其他科学不同，该学科最引人注目的方面在于研究心理过程，而心理过程主要是内部的，人类可以对其进行自我观察。
用于蛋白质理解的大语言模型的微调数据集和基准测试
蛋白质序列与自然语言之间的高相似性，特别是在其顺序数据结构中，在两个领域的深度学习模型中都取得了平行的进步。在自然语言处理（NLP）中，大型语言模型（LLMS）在文本，翻译和对话代理等任务中取得了巨大的成功，因为它们对各种数据集进行了广泛的培训，使他们能够捕获复杂的语言模式并具有类似人类的文本。受这些进步的启发，研究人员试图通过将蛋白质序列编码器与诸如LLAVA之类的设计之类的设计来适应蛋白质理解。但是，这种适应提出了一个基本问题：“最初是为NLP设计的LLM可以有效地将蛋白质序列理解为一种语言形式吗？”由于蛋白质序列和相应的文本描述之间缺乏直接相关性，目前的数据集在解决这个问题方面缺乏，从而限制了训练和评估LLM的能力，无法有效地了解蛋白质的理解。为了弥合这一差距，我们引入了proteinlmdataset，该数据集是专门设计的，专门针对LLMS的进一步自我监管的预处理和监督微调（SFT），以增强其对蛋白质序列理解的能力。具体来说，蛋白质质量包括174.6亿个代币，用于训练预处理和SFT的893K指令。此外，我们提出了蛋白质一个基准数据集，该数据集由944个手动验证的多项选择问题组成，用于评估LLMS的蛋白质理解。Proteinlmbench以多种语言结合了与蛋白质相关的细节和序列，建立了评估LLMS蛋白质理解能力的新标准。大语模型interlm2-7b在蛋白质质量上预处理并进行了微调，在蛋白质Lmbench上的表现优于gpt-4，获得了最高的精度得分。数据集和基准可在https://huggingface.co/datasets/tsynbio/proteinlmdataset/和https://huggingface.co/datasets/tsynbio/tsynbio/proteinlmbench中获得。代码可在https://github.com/tsynbio/proteinlmdataset/上获得。
婴儿低频脑电图皮质功率、皮质追踪和相位-幅度耦合可预测一年后的语言能力
研究表明，皮质信号可以追踪连续语音的声学和语言特性。这种现象在儿童和成人中都有测量，反映了成人的语音理解能力以及注意力和预测等认知功能。此外，在患有语音困难（发育性阅读障碍）的儿童中也发现了非典型的低频皮质语音追踪。因此，低频皮质信号可能在语言习得中发挥关键作用。Attaheri 等人（2022 年）[1] 最近对婴儿进行了一项研究，探究了 4、7 和 11 个月大婴儿在听歌唱时的皮质追踪机制。时间响应函数 (TRF)、相位-幅度耦合 (PAC) 和动态 θ-δ 功率 (PSD) 分析的结果表明 delta 和 θ 神经信号的语音包络追踪和刺激相关功率 (PSD)。此外，在所有年龄段都发现了由 delta 和 theta 驱动的 PAC，其中 theta 阶段表现出比 delta 更强的 PAC 和高频振幅。本研究测试这些先前的发现是否在参与这项纵向研究的整个婴儿队列（N = 122）的后半部分中得到重复（前半部分：N = 61，(1)；后半部分：N = 61）。除了展示良好的复制效果之外，我们还使用婴儿主导和父母估计的测量方法以及多变量和单变量分析来调查生命第一年的皮质追踪是否可以预测整个队列（招募的 122 名婴儿，保留的 113 名）以后的语言习得。单变量分析中 delta 皮质追踪的增加、~2Hz PSD 功率的增加和多变量和单变量分析中更强的 theta-gamma PAC 与更好的语言结果相关（使用婴儿主导和父母估计的测量方法）。相比之下，多变量分析中~4Hz PSD 功率的增加、delta-beta PAC 的增加以及多变量分析中更高的 theta/delta 功率比与语言能力下降有关
了解加纳的 COVID-19 疫苗接种行为和意图：一项行为洞察 (BI) 研究
疫苗一直被认为是现代医学史上最重要的公共卫生干预措施之一，其作用是降低全球各种传染病的发病率和死亡率 [1]。充分接种疫苗通常会产生群体免疫，而群体免疫是确保传染源不再能够传播所必需的。然而，人们对接种疫苗犹豫不决一直是一个问题。在推出新疫苗时，这种情况尤为常见 [2]。疫苗犹豫是一种全球现象，世界卫生组织将其列为 2019 年全球十大健康威胁之一 [3]。全球各国对 COVID-19 疫苗的犹豫程度各不相同 [3-6]。一份公开的 COVID-19 行为追踪数据表明，在疫情期间，人们对疫苗的犹豫程度随流行病学和其他背景因素而波动 [ 7 ]，这与研究结果一致，即人们对疫苗的犹豫与背景有关且具有时间限制 [ 8 ]。加纳的研究表明，相当大比例的成年人口对接种 COVID-19 疫苗犹豫不决。2020 年底在加纳进行的一项横断面调查表明，大约 65% 的参与者愿意接种疫苗，然而，2021 年初进行的另一项研究表明，只有大约一半的受访者愿意接种疫苗，略超过五分之一 (21%) 的受访者不太可能接种疫苗，另有 28% 的人尚未决定 [ 9 ]。加纳的医疗保健提供者中也发现了犹豫不决的情况 [ 8 , 10 ]。疫苗犹豫是指尽管有疫苗接种服务，但仍然推迟接受或拒绝接种疫苗 [11]。这是一种复杂且与具体情况相关的现象，因时间、地点和疫苗类型而异 [8,11]。因此，很难准确预测在任何特定环境下疫苗的接受程度 [12]。犹豫可能受到环境因素的影响，如物质可用性、可负担性、支付意愿、地理可达性、理解能力（语言和健康素养）以及免疫服务机构提供疫苗的能力。它还可能受到文化、社会和行为因素的影响，包括对疫苗有效性和安全性的信任、对疫苗提供系统的信任、对卫生服务和卫生专业人员的可靠性和能力的信任，以及决定疫苗接种计划中所需疫苗的决策者的动机 [8,13]。越来越多的研究发现，人口统计和社会经济因素与疫苗接受度有关，例如年龄或婚姻状况[14, 15]。
生成AI从视觉和文本数据中解释人类情绪的能力：试点评估研究
背景：心理化是人类认知过程不可或缺的，这与对自己和其他人的概要状态的解释有关，包括情感，信念和意图。随着人工智能（AI）的出现以及在心理健康应用中大型语言模型的突出性，关于其情感理解能力的问题持续存在。openai的大型语言模型的先前迭代（chatgpt-3.5）展示了从文本数据中解释情绪，超过人类基准测试的高级能力。鉴于Chatgpt-4的引入，具有增强的视觉处理功能，并考虑了Google Bard的现有视觉功能，因此有必要严格评估其视觉心理化的水平。目的：研究的目的是批判性地评估Chatgpt-4和Google Bard在辨别视觉心理指标方面的能力方面的能力，这与其基于文本的心理能力形成鲜明对比。方法：Baron-Cohen和同事开发的眼睛测试中的阅读思维用于评估模型在解释视觉情感指标方面的熟练程度。同时，使用情感意识量表的水平来评估大型语言模型在文本心理化方面的才能。从两项测试中整理数据提供了对Chatgpt-4和Bard的心理功能的全面看法。结果：ChatGpt-4，在情绪识别方面表现出明显的能力，在2个不同的评估中获得了26和27分数，与随机响应范式显着偏离（p <.001）。这些分数与更广泛的人口统计学的既定基准相符。值得注意的是，Chatgpt-4表现出一致的反应，没有与模型的性别或情感性质有关的可见偏见。相比之下，Google bard的性能与随机响应模式保持一致，确保10和12的得分，并使进一步的详细分析冗余。在文本分析的领域中，Chatgpt和Bard都超过了一般人群的既定基准，他们的表现非常一致。结论：ChatGpt-4证明了其在视觉心理化领域的功效，与人类绩效标准紧密相符。尽管这两种模型在文本情感解释中都表现出值得称赞的敏锐度，但巴德在视觉情感解释中的功能需要进一步审查和潜在的精致。本研究强调了道德AI发展对情感认可的关键性，强调了对包容性数据的需求，与患者和心理健康专家的合作以及严格的政府监督，以确保透明度和保护患者的隐私。
数字信任与安全中心
项目概述：错误信息无处不在。它操纵了公民的情感和情感，可以说服人们错误地相信一个话题，可能侵蚀信任，从而对社会造成伤害。利用这样一个事实，即假装道德愤怒可能会产生许多重视，穆尔蒙格可以确保在很短的时间内广泛扩散了适当的措辞虚假信息。但是，在社交媒体上传播的大量信息中确定谣言和虚假新闻是极具挑战性的，法规措施的应用也可以减少其扩散。大型语言模型（LLM）具有通过大量文本培训获得的复杂语言理解能力。然而，与许多AI技术相同，LLM可以被视为既是祝福又是诅咒，尤其是在错误信息方面。LLM的智能特征可以被恶意利用，以迅速产生似乎令人信服的虚假信息。此外，由于在包括一定比例的错误信息的网络文本上训练了LLMS，因此在诸如自动汇总或问题回答之类的任务期间，它们可能会无意间产生错误的信息。llms可能会大大加剧错误信息问题，从而使虚假信息更容易渗透社会。因此，迫切需要开发强大的自动化方法，以区分假货与真实信息。增强对这些特征的理解是开发准确的自动化方法的关键方面。幸运的是，LLMS的高级功能意味着它们也可以通过自动检测错误信息来为与谣言和虚假新闻的传播做出积极贡献。我们正在研究如何最好地利用LLM，以根据常规机器学习和深度学习为基础进行自动检测和分析错误信息的分析。错误信息检测是一个因素问题，不仅依赖于确定文本是否是事实是事实的，而且还依赖于确定有关社交媒体帖子的文本内容和结构的各种功能，这些功能可以交互以表示信息是假的。与社会科学学者合作，致力于错误信息，虚假信息，阴谋理论，论证和信任，我们分析了围绕“伟大的替代”深层国家和全球精英阴谋的社交媒体帖子的集合，以确定语义，词典，词典和风格特征，这些特征具有错误的信息。这些特征包括情感，情感和立场，以及结构和话语级别的信息，例如对话行为和时间动态。我们已经评估了特征的不同组合之间的相互作用以及基于情感特征的指导调整如何使用主流模型（例如Llama2，Chatgpt和Vicuna）改善了对错误信息和阴谋的认识。
课外运动的好处：儿童身体健康和认知功能的全球分析
摘要简介：本研究旨在探讨在社会经济和人口统计因素匹配的样本中，课外体育运动和体育活动 (PA) 参与对大脑健康的影响。方法：数据来自儿童心理研究所健康大脑网络的协议。参与者完成了四天的实验室评估，以收集有关青少年心理健康、认知健康和身体健康的一系列数据。6-16 岁的儿童被纳入分析，并根据他们在课外时间参与体育运动/PA 的情况进行分组。对学业成绩、认知功能、心理健康和身体健康（健康、身体成分、PA、肌肉力量和灵活性）结果进行了独立样本 t 检验（体育运动 n = 391；非体育运动 n = 391；年龄 9.41 ± 2.38 岁）。各组根据年龄、性别、种族、民族、青春期、社会经济地位和智商 (IQ) 进行匹配。结果：在执行功能技能（运动：51.38%±28.94%，非运动：45.24%±28.10%；P=0.03）、处理速度（运动：50.83%±27.80%，非运动：46.13%±27.48%；P=0.02）、注意力缺陷/多动障碍症状（运动：0.21±0.97，非运动：0.37±0.97；P=0.02）、注意力问题（运动：59.71±8.78，非运动：61.49±9.28；P=0.006）、社会意识技能（运动：56.52±10.78，非运动：53.69±9.95；P= 0.01) 和语言理解能力 (运动：64.07%±27.66%，非运动：59.80%±28.44%；P=0.03) 优于运动组儿童。参加体育运动的儿童也表现出更好的身体健康，具体表现为每日能量消耗（运动：1950.15±476.09 卡路里，非运动：1800.84±469.22 卡路里；P=0.04）、体能（运动：2.81±0.79，非运动：2.59±0.74；P=0.002）、z 评分健康水平（运动：0.16±1.05，非运动：-0.08±1.04；P=0.02）、静息心率（运动：79.26±12.16 bpm，非运动：81.36±12.94 bpm；P=0.02）、躯干举起时的肌肉力量（运动：9.40±2.77 英寸，非运动：8.91±2.82 英寸；P = 0.01)，以及坐位和体前屈的灵活性 (运动：9.33 ± 2.93 英寸，非运动：8.74 ± 3.15 英寸；P = 0.007)。结论：在控制重要的人口统计学因素 (年龄、性别、种族/民族、青春期、智商和社会经济地位) 时，参加课外运动和 PA 的儿童在多项身体、认知和心理健康结果方面比同龄人表现得更好。
认知心理学：心智与大脑 1/E
Atkinson-Shiffrin 模型（模态模型）：一种基于信息处理的记忆模型，最早于 20 世纪 60 年代开发，强调短期记忆作为信息进入长期记忆之前的入口所起的作用。氛围效应：在推理中，如果结论包含与前提相同的量词（“一些”、“全部”或“否”），则倾向于接受该结论为有效。注意：在特定时刻，增强某些信息并抑制其他信息的过程。注意瞬脱：如果第二条信息在第一条信息出现后的一定时间内出现，则报告第二条信息的性能会下降。注意控制器：冲突现象神经网络模型的一个组成部分，可激活与当前目标相关的表征。态度：对物体或人的相对持久的情感色彩信念、偏好和倾向，例如对人或物体的喜欢、爱、恨或渴望。自动过程：一种无需意图即可启动且无需注意即可运行的过程。 背景知识：一种指定属性如何产生、为何重要以及彼此之间如何关联的知识。 向后搜索：在解决问题时，从目标状态移动到初始状态。 巴德利-希奇模型：目前影响深远的工作记忆模型；它强调需要短期存储信息才能进行复杂的认知活动，采用两个短期存储缓冲区和一个控制系统。 基本情绪：六种基本情绪反应类型似乎在各个文化中都普遍存在：快乐、悲伤、愤怒、恐惧、厌恶和惊讶。 基础级别：最常用、最容易学习和最有效地处理的分类级别。 行为方法：一种测量直接可观察行为的技术，例如响应时间或响应准确性。 信念偏差：当有关世界的背景知识和个人信念影响记忆并将其重塑为与预期一致的形式时产生的偏差。信念偏差效应：在推理中，倾向于接受三段论的“可信”结论，而不是“不可信”结论。 约束问题：我们如何将形状、颜色和方向等不同特征关联起来，以便感知单个物体的问题。 双眼竞争：每只眼睛看到的单个图像之间的竞争。 生物运动：生物体独特产生的运动模式。 双稳态感知：对模糊刺激交替解释的感知。 阻塞（记忆）：当其他信息与检索线索更紧密相关时，阻碍检索目标信息的障碍。 瓶颈：对一次可以处理的信息量的限制，需要选择信息以通过瓶颈。布罗卡失语症（非流利性失语症）：一种失语症，其特征是言语不流利，通常理解能力相当好，但在处理复杂句子方面存在缺陷。布朗-彼得森任务：一项检查短期记忆中存储持续时间的任务。分类三段论：前提和结论与不同类别相关的三段论。基于类别的归纳：一种依赖于所涉及实例类别的归纳形式。类别特定障碍：在失认症中，选择性地无法检索某些类别的单词，例如水果或蔬菜，同时保留识别其他单词类别的能力。中央执行器：Baddeley-Hitch 工作记忆模型的控制系统组件，它控制两个存储缓冲系统中的信息操作。变化视盲：无法检测到场景物理方面的变化，被认为是由于无法在任何时候选择场景中存在的所有信息而引起的。块：工作记忆中的信息分组，通过将多比特信息作为单个单元进行处理，可以增加有效存储容量。 （情绪的）环形模型：一种描述情绪反应范围随唤醒和效价维度变化的模型。