XiaoMi-AI文件搜索系统
World File Search System细致入微
预印本：探索心智、算法和计算的计算理论 1 Jordan Dopkins ( jdopkins@gsu.edu ) 佐治亚州立大学，佩里
第 2 节区分了两种关于计算心智理论 (CTM) 历史的观点。传统观点将 CTM 追溯到行为主义心理学的缺陷以及 20 世纪 40 年代和 50 年代数字计算机的出现。Colombo 和 Piccinini 拒绝了这种观点，认为它扭曲并过度简化了 CTM。相反，他们主张以更基本的概念（如算法或机制）为基础的历史基础。有关其他示例，请参阅 Isaac 2018 和 Uckelman 2018。我认为他们的方法有四个优点。首先，它提供了对 CTM 的开创性贡献的细致入微的理解。以 McCulloch 和 PiS 1943 年的论文为例，该论文讨论了“全或无”神经信号及其用 1 和 0 表示的方式。Colombo 和 Piccinini 对 CTM 历史的思考方式使我们能够超越数字计算机信号的类比，并将该论文置于更悠久的算法形式化尝试历史中，可以追溯到莱布尼茨或尤利。其次，它捕捉了 CTM 与数字计算机无关的方面，例如大脑对连续变量的模拟操作，正如图灵 (1950) 和冯·诺依曼 (1958) 所讨论的那样。第三，Colombo 和 Piccinini 的方法通过强调与算法和机制相关的特定点，增强了思维/计算机类比。最后，它将历史叙述扩展至波斯数学家 Al-Khwarizmi (c.780-850)，并将笛卡尔、霍布斯和洛夫莱斯等熟悉的人物联系起来。
UTampa 2024 秋季本科生研究论坛
Giulia Gimenez Castaldelli 导师：Amanda Osuna 博士 1. 研究密歇根州弗林特市代际（不）信任与文化背叛的交集 几十年来，有色人种社区由于系统性忽视而面临社会经济差距；这种系统性失败的一个例子是弗林特（密歇根州）水危机，一个黑人占多数的社区因其供水受到铅污染而遭遇了政府失败。这种不公正可能会勾起人们对历史上种族不公正的记忆，导致少数族裔社区的信任破裂和创伤。进一步理解这种经历的一种可能方法是使用文化背叛创伤理论（CBTT）。本研究使用 CBTT 来了解不信任在边缘化社区中是如何运作的，并探讨这样一种假设：制度背叛创伤是人际背叛的延伸，很容易以文化背叛的形式在边缘化社区内传播。采用定性案例研究设计，数据收集自对三个家庭的代际半结构化访谈，旨在了解密歇根州弗林特市制度不信任和背叛的复杂性。这项研究提供了一个细致入微的视角来理解信任侵蚀的各个方面，着眼于社区背叛的心理和社会影响。这种全面的理解对于政策制定者和社区利益相关者有效解决系统性种族主义至关重要。
能源转型中的差价合约
差价合约 (CfD) 已成为通过缓解收入波动来激励可再生能源投资的重要政策工具。然而，传统的 CfD 虽然能够有效促进可再生能源的增长，但可能会造成市场扭曲。这些扭曲源于不一致的激励措施，尤其是“生产后就忘”的心态，发电厂优先考虑最大化生产而不考虑市场信号。为了应对这些挑战，近年来，文献中提出了替代的 CfD 设计，旨在通过将支出与实时发电脱钩，并将发电厂激励与市场结果相结合来增强市场整合。然而，挑战在于这些修改后的 CfD 引入了基础风险，其中参考价格和产出与实际价格和产出之间的差异可能导致金融波动。然而，这是不可避免的，因为 CfD 的目的是减轻可再生能源发电厂的风险，而市场效率依赖于参与者通过价格风险承担一定程度的风险，以激励最佳决策。这一挑战凸显了政策制定者在市场效率和风险缓解之间面临的复杂权衡，因此需要在差价合约的设计上采取平衡的方法。此外，基础风险的增加对发电商、政府、消费者和金融机构等各利益相关方的影响凸显了对替代差价合约设计的金融波动性和监管影响有细致入微的理解的必要性。
QRS 环路的 3D 映射：心室电活动的可视化
本文介绍了用于分析和解释三维心动向量图 (VCG) 的创新可视化工具，重点关注心动周期的 QRS 波群。传统心电图 (ECG) 缺乏全面评估心脏所需的空间细节；然而，VCG 提供了心脏电活动的三维表示，让我们能够细致入微地了解心脏动力学。我们提出了五种不同的方法来表示空间 QRS VCG 环：(1) 跟踪心室去极化进展的未修改空间 VCG 环，(2) 便于跨个体和条件进行直接比较的固定比例 VCG 环，(3) QRS 环相对于 3D 空间中三个正交平面的方向。(4) 提供空间分布洞察的八分圆特定图，以及 (5) 强调方向运动同时标准化幅度的单位矢量和单位球体表示。每种方法在阐明正常和心脏病（例如前壁心肌梗死和下壁心肌梗死）中的心室电动力学方面都有独特的优势，突出了环路大小、传播方向、方向和形态的差异。这些方法共同为推进 VCG 研究和增强心脏功能的临床评估提供了一个强大的框架。初步研究结果突出了这些创新工具的潜力。
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。
人工智能在研究和学术方面的共同利益 人工智能在研究和学术方面的共同利益
将人工智能 (AI) 融入学术研究已变得越来越普遍，为学术活动带来了机遇和挑战。人工智能工具提供了有价值的功能，使研究人员和学者能够增强、改进和创建研究内容。然而，除了这些好处之外，抄袭和学术诚信也一直存在问题和挑战。这篇文献综述文章探讨了在学术研究中使用人工智能所固有的道德影响，全面研究了其优缺点。Bearman 等人 (2022) 强调，人工智能技术重塑了传统的教育模式，影响了知识的创造、评估和传播方式。他们的批判性文献综述强调了对人工智能的作用有细致入微的理解的必要性，考虑到塑造这一不断发展的领域的不同观点。他们认为，人工智能融入高等教育代表着一场具有广泛社会经济影响的深刻转变。Butson 和 Spronken-Smith (2024) 强调，人工智能通过带来好处和揭示挑战对高等教育研究产生了重大影响。他们强调了审视人工智能对研究方法、学术诚信和学术工作性质的影响的重要性。他们的研究提倡采取平衡的方法，认识到人工智能提高生产力和创新的潜力，同时警告不要过度依赖人工智能，因为这可能会破坏批判性思维和学术严谨性。作者呼吁制定强有力的道德准则和透明的政策来管理人工智能在学术界的使用。
《采购与供应管理》杂志
本文存在的理由很简单：传统的采购与供应管理 (PSM) 研究、理论化和实践方式已不足以“应对当下”。如果学者们想要为应对当前和未来的紧急情况做出有意义的贡献，就像最近的极端天气和 COVID-19 大流行所强调的那样，他们需要在工作中采取一种“非常规业务”的立足点。然而，对于一个植根于传统商业思维的领域来说，这可能意味着什么，或者应该意味着什么？本文以《采购与供应管理杂志》(JPSM) 25 周年特刊社论 (2019) 为基础；JPSM 的编辑团队成员就“非常规业务”对 PSM 的意义提出了他们独特的观点。具体而言，我们主张在范围和抱负上比现在更广泛地思考，同时建立我们以更细致入微的方式理解供应链的能力。我们探讨对实证主义工作的偏见是否忽略了潜在的有趣发现和观点。这促使我们重新思考我们的工作方式：关键标准应该始终是关注理论开发还是测试？学者应该“想得更远”吗？转向具体的研究主题，说明如何通过解决循环经济以及采购和创新的作用来挑战或拓宽我们当前的思维。具体而言，重点关注 PSM 作为大型组织内的内部创业者的功能，以及创新和技术在 PSM 工作中的作用。综上所述，我们希望这里提出的想法和论点能够为 PSM 研究提供信息和启发，带来雄心勃勃且新颖的方法，对业务转型产生重大而持久的影响。
整体竞争战略：采用整体方法建立竞争优势
摘要 本研究探讨了波特五力模型、资源基础观 (RBV) 和动态能力框架的整合，作为在当今复杂的商业环境中建立和保持竞争优势的综合方法。本文介绍了亚马逊和特斯拉等现实世界的例子，以展示实施这些综合战略的实际应用和潜在挑战。这些案例研究说明了成功的公司如何利用对其竞争格局、内部优势和资源能力的多方面理解来超越竞争对手并适应不断变化的市场条件。通过综合这三个框架，组织可以对其战略地位形成更细致入微和更全面的看法。波特五力模型提供了对行业结构和竞争动态的洞察，而资源基础观则侧重于识别和利用独特的内部资源。动态能力视角增加了一个关键的时间维度，强调了根据环境变化调整和重新配置资源的重要性。这种综合方法使公司能够随着时间的推移建立和维持其竞争优势，从而实现长期的组织成功。本研究进一步探讨了这一综合框架对于克服组织内部战略变革阻力的影响。通过全面了解影响竞争力的内外部因素，这种方法可以促进更有效的战略决策和实施，最终有助于组织在动态业务中取得长期成功。
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。
药物发现和开发综述
摘要 人工智能 (AI) 融入药物发现和开发，开启了制药行业创新和效率的新时代。本综述探讨了人工智能在药物研究中应用的最新进展、挑战和未来的潜在方向，重点介绍了其对靶标识别、化合物筛选、药物设计和临床试验的影响。通过全面审查当前文献和案例研究，我们旨在对人工智能在加速药物发现过程中发挥的变革作用提供细致入微的视角。介绍 传统的药物发现和开发流程是一个耗时且资源密集的过程。然而，随着人工智能技术的出现，药物研究的开展方式发生了范式转变。人工智能有望显着减少将新药推向市场的时间和成本，使其成为寻求更有效和更有针对性的治疗干预措施的关键参与者。开发新药的过程困难、昂贵、耗时，而且流失率很高。i 临床研究药物流失导致大量资源损失，目前，在 I 期临床试验和监管部门批准之间，十分之九的候选药物会失败。ii 在药物发现中，通过使用分子监督学习，困难的化学搜索问题可以自动化。目标是找到能够预测化学属性并可能自动搜索新型药物或材料的高效神经网络模型。iii