XiaoMi-AI文件搜索系统
World File Search System背景因素
Instagram 上的疫苗：巴西背景下的情绪表达研究
摘要 随着新冠病毒的出现，有关疫苗的讨论开始在世界范围内产生更大的影响。在社交媒体这个不同受众创作内容、表达看法和兴趣的空间上，有关疫苗的出版物已成为公众辩论的主要话题之一。在本文中，我们旨在识别和分析 2020 年和 2021 年巴西民众围绕疫苗和疫苗接种过程表达的感受和情绪。为此，我们通过 Crowdtangle 图形界面收集了 Instagram 上关于该主题的公开帖子，并从中构建了一个随机样本，作为实证样本。情绪的分类和识别过程是使用人机交互情绪网络（HUMAINE）的标准化描述符进行的，然后采用 Russell (2003) 的环形模型（核心情感模型）。结果，数据分析表明，在巴西的情景中，人们对疫苗普遍存在希望和信心等积极情绪，而根据背景因素（时任总统雅伊尔·博索纳罗的形象、他的讲话和行动，以及 Covid-19 的进展和新变种的出现），语料库中则发现了反对和担忧等负面情绪。
供应链管理中的人工智能
本文对供应链管理 (SCM) 领域人工智能 (AI) 的实证研究进行了系统的文献综述 (SLR)。在过去十年中，人工智能技术发展迅速，成熟度足以催化商业和社会的变革。在 SCM 社区中，人们对其对当前实践的颠覆性影响寄予厚望。然而，这并不是人工智能第一次引发商业兴奋，往往没有达到炒作的程度。因此，重要的是研究其实际实施中出现的机遇和挑战。我们的分析阐明了当前的技术方法和应用领域，同时阐述了围绕四个关键类别的研究主题：数据和系统要求、技术部署流程、（跨）组织集成和性能影响。我们还介绍了文献中确定的背景因素。这篇评论为未来对供应链管理中人工智能的研究奠定了坚实的基础。通过专门考虑经验贡献，我们的分析最大限度地减少了当前的热议，并强调了未来与人工智能、组织和供应链 (SC) 交叉研究的相关机会。我们的努力还旨在为管理受众巩固现有的研究见解。
人工智能（和大数据）在学习科学中的地位 - ERIC
学习科学本质上涉及跨学科研究，其总体目标是推进学习理论，并为有效的教学方法和学习技术的设计和实施提供信息。在这些努力中，学习科学涵盖了与学习、动机和社会互动相关的各种结构、措施、过程和结果。这些复杂的目标还受到来自学习环境、学习任务和个人学习者特征的大量因素的影响。学习发生在众多相互作用的背景因素中，这些因素涵盖学校、教师、课堂、同龄人和可用技术之间的差异。这些背景在各种因素方面也存在很大差异，例如学生获得的社会支持、教师参与度、人口和意识形态多样性，以及教育技术提供的教学设计策略和可供性（Anderson & Dron，2011）。学习者本身在年龄、年级、种族和文化背景等一系列固定因素以及参与度、兴趣、学习策略、阅读技巧和先前知识等可塑的个人差异上存在差异（Cantor 等人，2019 年；Jonassen 和 Grabowski，2012 年；Winne，1996 年）。
Suh J、Bennett CC、Weiss B、Yoon E、Jeong J、Chae Y (2021) “在合作游戏环境中开发用于社交 AI 的语音对话系统。” IEEE 第 10 区研讨会 (TENSYMP)。正在印刷中。
摘要 — 人们对开发更像人类、能够进行自然社交互动的人工智能 (AI) 的兴趣日益浓厚。先前的研究已经提出了关于“栩栩如生”的人工智能的含义的想法，一些研究试图使用游戏环境来测试这些假设。在本文中，我们介绍了“社交人工智能”语音对话系统的开发，该系统可以在合作游戏环境中与人类玩家自主交流和互动（在本例中是一款名为“Don't Starve Together”的社交生存游戏）。基于我们的假设，即人工智能应该包含特定的组件才能被视为更像人类，我们进行了一系列试点测试，以使用数据驱动的方法开发社交人工智能。完成试点测试后，我们根据参与者的互动和反馈确定了六个要添加或修改的组件。这些组件主要包括语音对话系统的功能，这些功能涉及人工智能行为与社会环境背景因素（“游戏状态”）的相互作用。在未来的工作中，我们打算基于这些发现改进社交人工智能。此处的研究强调了使用合作游戏环境进行人工智能代理的语音对话系统的数据驱动开发。
发作间期癫痫样放电与人类颅内神经生理学数据的质量
颅内脑电图 (IEEG) 涉及从直接放置在皮质表面或深层脑位置的电极进行记录。它适用于接受术前癫痫发作定位的药物难治性癫痫患者。IEEG 记录与计算能力和分析工具的进步相结合，加速了认知神经科学的发展。本篇观点文章描述了由于受试者群体而导致的许多此类记录中存在的潜在陷阱——即发作间期癫痫样放电 (IED)，由于与癫痫相关的病理波形污染了正常的神经生理信号，因此可能导致虚假结果。我们首先讨论 IED 危害的性质，以及为什么它们值得神经生理学研究人员的关注。然后，我们描述了处理 IED 时使用的四种一般策略（手动识别、自动识别、手动-自动混合以及通过将其留在数据中而忽略），并讨论了它们的优缺点和背景因素。最后，我们根据横断面文献综述和自愿调查，描述了全球人类神经生理学研究人员的当前实践。我们将这些结果置于所列策略的背景下，并提出提高报告意识和清晰度的建议，以丰富该领域的数据质量和交流。
供应链管理中的人工智能 - Aisberg
本文对供应链管理 (SCM) 领域人工智能 (AI) 的实证研究进行了系统的文献综述 (SLR)。在过去十年中，人工智能技术发展迅速，成熟度足以催化商业和社会的变革。在 SCM 社区中，人们对其对当前实践的颠覆性影响寄予厚望。然而，这并不是人工智能第一次引发商业兴奋，往往没有达到炒作的程度。因此，重要的是研究其实际实施中出现的机遇和挑战。我们的分析阐明了当前的技术方法和应用领域，同时阐述了围绕四个关键类别的研究主题：数据和系统要求、技术部署流程、（跨）组织集成和性能影响。我们还介绍了文献中确定的背景因素。这篇评论为未来对供应链管理中人工智能的研究奠定了坚实的基础。通过专门考虑经验贡献，我们的分析最大限度地减少了当前的热议，并强调了未来与人工智能、组织和供应链 (SC) 交叉研究的相关机会。我们的努力还旨在为管理受众巩固现有的研究见解。
网络安全政治；社会技术转型与政治分裂
本书探讨了网络安全的新政治方面和挑战性，并将其呈现为社会技术不确定性和政治分裂的问题。本书围绕两大主题展开，并提供了社会技术变化和政治反应如何相互作用的实证例子，第一部分研究了冲突环境中网络空间的当前使用情况，第二部分则侧重于国家和非国家行为者在充满不确定性的环境中的政治反应。在此基础上，它强调了四个关键辩论，这些辩论从西方视角概括了网络安全政治的复杂性和悖论——国家可以通过网络行动实现多大的政治影响力，以及哪些背景因素决定了此类行动的（有限的）战略效用；新兴数字技术的作用以及技术创新过程的动态如何强化治理空间的分裂；各国如何试图维护网络空间的稳定，更广泛地说，在战略关系中；以及在日益跨部门和跨国治理的空间中，国家、经济和社会对网络安全的共同责任如何继续重新协商。这本书将引起网络安全、全球治理、技术研究和国际关系学生的极大兴趣。
生成人工智能的社会影响
围绕生成式人工智能 (GAI) 的社会影响的讨论，例如 ChatGPT 等技术，经常在两个极端之间摇摆不定：空前生产力的乌托邦愿景和人类灭亡的反乌托邦恐惧。这种两极分化的观点忽视了 GAI 微妙而务实的表现。一般来说，极端观点过于简化了技术本身或其解决社会问题的潜力。作者建议进行更平衡的分析，承认随着各种实现与人类利益相关者和环境因素的互动，GAI 的影响将随着时间的推移而动态展开。虽然大型科技公司主导着 GAI 的供应，但其需求预计将通过实验和用例不断发展。作者认为，GAI 的社会影响取决于可识别的偶然性，强调了三大因素：自动化和增强之间的平衡、物理和数字现实的一致性以及人类有限理性的保留。这些偶然性代表了 GAI 实例化过程中产生的权衡，这些权衡受到技术进步、利益相关者动态和背景因素（包括社会反应和法规）的影响。由于技术轨迹中不可预见的不连续性，预测长期社会影响仍然具有挑战性。作者预计 GAI 计划、技术进步、学习经验和社会反应之间将持续相互作用，其结果取决于上述偶然性。
灵活且针对具体情境的 AI 可解释性
摘要 近年来人们对人工智能 (AI) 的热情主要归功于深度学习的进步。深度学习方法非常准确，但也不太透明，这限制了它们在安全关键型应用中的潜在应用。为了获得信任和问责，机器学习算法的设计者和操作者必须能够向用户、监管者和公民解释算法的内部工作原理、结果以及失败的原因。本文的独创性在于结合可解释性的技术、法律和经济方面，开发一个框架来定义给定环境下可解释性的“正确”水平。我们提出了三个逻辑步骤：首先，定义主要的背景因素，例如解释的受众是谁、操作背景、系统可能造成的危害程度以及法律/监管框架。此步骤将有助于描述解释的操作和法律需求，以及相应的社会效益。第二步，检查可用的技术工具，包括事后方法（输入扰动、显著性图……）和混合 AI 方法。第三步，根据前两个步骤，选择正确的全局和局部解释输出级别，同时考虑所涉及的成本。我们确定了七种成本，并强调只有当总社会效益超过成本时，解释才具有社会意义。
基于X射线和深度学习的尘肺病计算机辅助诊断系统
摘要 目的：本研究旨在利用X射线和深度学习算法构建正常人和尘肺病的计算机辅助诊断系统。材料与方法：实验收集了2017年1月至2020年6月期间1760张真实患者的匿名数字X射线图像。为了使模型的特征提取能力更加集中在肺部区域，抑制外界背景因素的影响，建立了由粗到细的两阶段流水线。首先，使用U-Net模型提取采集图像两侧的肺部区域；然后，采用结合迁移学习策略的ResNet-34模型对提取出的肺部区域的图像特征进行学习，实现尘肺病患者和正常人的准确分类。结果：在收集的1760例病例中，分类模型的准确率为92.46%，曲线下面积为89%。结论：深度学习在尘肺病诊断中的成功应用进一步证明了医疗人工智能的潜力，并证明了我们提出的算法的有效性。然而，当我们进一步将尘肺病患者和正常人分为四类时，我们发现整体准确率下降到70.1%。我们将在未来的研究中使用CT模态来提供更多肺部区域的细节。关键词：尘肺病诊断，X射线，深度学习，U-Net，ResNet