重复使用 本文根据 Creative Commons 署名 (CC BY) 许可条款发布。此许可允许您发布、重新混合、调整和基于作品创作,甚至用于商业用途,只要您注明原创作者即可。更多信息和许可条款的完整内容请见:https://creativecommons.org/licenses/
这项研究的目的是确定移动AR(MAR)支持的翻转学习模型(FLM)应用程序对一般化学实验室课程中第一年本科生的学术成就的影响,并调查学生对MAR支持的FLM的观点。在使用测试前测试对照组进行的准实验设计中,实验组的课程是根据MAR支持的FLM进行的,而对照组的课程是按照课程规定的。对研究的定量数据,独立样本t检验的结果表明,MAR支持的FLM实施对学生的成就有积极影响。通过内容分析分析了与学生的访谈,并确定学生对申请进行了积极评估并发现它们有用。这项研究的发现是该领域未来研究的初步。
在自主系统的背景下开发工具[22,24],例如自动驾驶汽车(SDC),这是耗时且昂贵的,因为研究人员和从业人员依靠昂贵的计算计算硬件和仿真软件。我们提出了Sensodat,这是一个由32,580个执行基于仿真的SDC测试用例的数据集,该测试案例用SDC的最新测试发电机生成。数据集由轨迹日志和来自SDC的各种传感器数据组成(例如,RPM,车轮速度,制动热,传输等)表示为时间序列。总共Sensodat提供了来自81个不同模拟传感器的数据。在使用Sensodat时,SDC领域的未来研究不一定取决于执行昂贵的测试用例。此外,使用传感器数据的量和变化,我们认为Sensodat可以有助于研究,特别是对于AI开发,用于基于模拟的SDC测试的回归测试技术,模拟中的片段等。链接到数据集:https://doi.org/10.5281/zenodo.10307479
要对任何电池进行建模并适应测试需求,需要编程等效电池模型的电压和电阻值和行为。例如,除了设置所需的电压之外,以缓慢的速率将其驱散的能力还可以模仿预期的电池电量或放电的电压变化。图3显示了可编程串联电阻的这种效果,因为它受到了多个放电脉冲的影响。由于电压的变化与可编程串联电阻模型的电流成正比,因此工程师可以测试设备,就好像它连接到新的(低电阻)或旧(较高的电阻)电池一样。这种方法允许更快,一致和安全的测试。
远程工作)✓ 易于访问(对许多人来说,但不是全部)✓ 使用方便且熟悉(问答)✓ 具有多种媒体功能(多模式)✓ 反应灵敏且速度快✓ 富有创意(结束空白页)✓ 有效(适用于很多事情,但不是所有事情)✓ 这是我们从未有过的助手(或者也许
组织决策者需要评估 AI 工具,因为越来越多的人声称此类工具的表现优于人类专家。然而,衡量知识工作的质量具有挑战性,这提出了如何在这种背景下评估 AI 性能的问题。我们通过对美国一家大型医院的实地研究来调查这个问题,观察管理人员如何评估五种不同的基于机器学习 (ML) 的 AI 工具。根据标准 AI 准确性测量,每种工具都报告了高性能,这些测量基于合格专家提供的基本事实标签。然而,在实践中试用这些工具后发现,它们都没有达到预期。在寻找解释时,管理人员开始面对专家在用于训练和验证 ML 模型的基本事实标签中捕获的知识的高度不确定性。在实践中,专家通过利用丰富的专业知识实践来解决这种不确定性,而这些实践并未纳入这些基于 ML 的工具中。发现人工智能的知识和专家的知识之间的脱节使管理人员能够更好地了解每种工具的风险和好处。这项研究表明,当底层知识不确定时,客观地对待 ML 模型中使用的地面真实标签存在危险。我们概述了我们的研究对开发、培训和评估知识工作人工智能的意义。
“为了让公众信任基于人工智能的产品或服务,他们需要相信有法规确保人工智能产品或服务在达到安全性、可靠性、稳健性、公平性、透明度和其他关键必需属性的一定门槛之前不会在市场上发布”(Lobana,2022 年)。
罗伯特·普洛明(Robert Plomin)的著作《蓝图:DNA 如何造就我们》1 让一些读者建议,我们必须告别之前的乐观态度,即充满爱的家庭环境能为携带“错误”基因的家庭成员带来什么。事实上,根据文献中的数据,多位遗传学家似乎对“养育”对儿童身心发展的影响持相当悲观的态度。例如,使用“多基因评分”,普洛明计算出我们的体重至少有 70% 是由基因决定的。1 但我们的基因真的决定了我们能成为什么样的人吗?我们难道能把所有试图影响孩子发展的努力都抛到一边吗?我不这么认为;即使是 70% 的遗传负荷仍然会给其他影响留下空间。
在自主系统[22,24](例如自动驾驶汽车(SDC))的背景下开发工具,由于研究人员和从业人员依赖昂贵的计算硬件和仿真软件,因此很耗时且昂贵。我们提出了Sensodat,这是一个由32,580个执行基于仿真的SDC测试用例的数据集,该测试案例用SDC的最新测试发电机生成。数据集由轨迹日志和来自SDC的各种传感器数据组成(例如,RPM,车轮速度,制动热,传输等)表示为时间序列。总共Sensodat提供了来自81个不同模拟传感器的数据。在使用Sensodat时,SDC领域的未来研究不一定取决于执行昂贵的测试用例。此外,有了大量和多种传感器数据,我们认为感觉模型可以为研究做出贡献,尤其是用于AI开发,用于基于模拟的SDC测试的回归测试技术,模拟中的片段等。链接到数据集:https://doi.org/10.5281/zenodo.10307479
此预印本的版权所有者于 2020 年 5 月 6 日发布此版本。;https://doi.org/10.1101/2020.05.01.20087411 doi: medRxiv preprint