XiaoMi-AI文件搜索系统
World File Search System能态
为学生开发和验证生成人工智能态度量表
将生成的AI工具纳入人力计算机互动（HCI）有望重塑教育，丰富个性化的学习旅程并培养学生之间的创造力（Castelli and Manzoni，2022； Harshvardhan等人，2020年，2020年； Sanchez-Lengeling; Sanchez-lengeling和Aspuruzik-Guzikik，2018）。与历史上其他强大的工具一样，生成AI有望具有可测量的短期效应和潜在的转化长期影响（Lin，2023）。据估计，到2024年，将使用AI功能启用47％的学习管理工具，这表明教育中AI的整合不断增加（Ng等，2023）。这种教育中的工具被视为一种促进教育过程的成长且有希望的工具，并为教育提供者和寻求者带来了好处，包括改善的保留和成功的在线培训过程（Lukianets and Lukianets，2023年）。
通过测量 128Cs 中 I = 9 同质异能态的磁矩来检验核手性
1 国家核研究中心，05-540 'wierk，波兰 2 华沙大学重离子实验室，02-093 华沙，波兰 3 华沙大学物理学院，02-093 华沙，波兰 4 华东师范大学物理系，上海 200241，中国 5 Horia Hulubei 国家物理与核工程研究所，077125 布加勒斯特，罗马尼亚 6 国家核物理研究所，I-35131 帕多瓦，意大利 7 北京大学物理学院核物理与技术国家重点实验室，北京 100871，中国 8 北京航空航天大学物理学院，北京 102206，中国 9 京都大学汤川理论物理研究所，京都 606-8502，日本 10 IJCLab，CNRS/IN2P3；巴黎萨克雷大学，91405 奥赛，法国 11 塔尔苏斯大学工程学院自然科学与数学科学系，33480，梅尔辛，土耳其
文章 大学生对人工智能的态度：人工智能态度的认知、情感和行为维度的探索性研究
摘要：人工智能（AI）推动了新的学习模式并改善了教师的工作流程。然而，人们对学术诚信、抄袭和高等教育中批判性思维的减少表示担忧。因此，记录和分析大学社会科学学生对人工智能的态度非常重要，这是以后使用人工智能技术的重要预测因素。选择了来自希腊社会科学系的 190 名大学生（82.45％为女性）作为样本。描述性统计数据显示，学生对人工智能的态度大多是积极的。主成分分析证实了对人工智能态度的三成分解决方案，包括认知、行为和情感维度。对这三个成分的比较分析表明，情感维度排名最高，其次是认知和行为维度。成对相关分析表明，对人工智能的态度中认知、行为和情感成分最强的相关性是未来使用人工智能的频率，其次是对技术的普遍安全感。总之，学生对人工智能表现出更多的情感和认知倾向。学生的社会背景和未来对人工智能的使用在形成对人工智能的态度中起着关键作用。大学教育工作者需要提供更多关于人工智能的教学和学习，以改善学生对人工智能和未来人工智能使用的态度。
低能态需要 Ω(n) T 门的哈密顿量
• 我们展示了 QPCP 的一个先决条件：一个显式局部哈密顿量，其低能态都需要 ω (log n ) T 门，也就是说，它们非常不稳定。事实上，我们展示了一个更强的结果，即低能态需要 Ω( n ) T 门，而这不一定是 QPCP 所暗示的。
AI 是艺术家吗？一项关于艺术领域使用人工智能态度的两波调查研究
人工智能 (AI) 技术发展迅速，尤其是生成性人工智能对人类的创造力提出了挑战。因此，必须审视人们对这种涉及创造力和艺术的变革性变化的看法。我们从自我决定理论的角度调查了人们对在艺术中使用人工智能的态度。我们使用了对 18-80 岁芬兰受访者（n = 828）的两波调查数据，使用混合多层回归模型分析了人内和人际效应。我们测量了对在 (a) 一般艺术和文化领域、(b) 音乐、(c) 视觉艺术、(d) 检测伪造艺术品和 (e) 创作艺术中使用人工智能的积极态度。主要的独立变量是使用新技术的基本心理需求（感知的相关性、自主性和能力）。结果表明，与医学、建筑和房地产技术等许多其他领域相比，参与者对在一般艺术和文化领域使用人工智能的积极性较低。更强的关联性对人们在艺术和文化领域以及音乐、视觉艺术和艺术创作中使用人工智能的积极态度产生了人际和人际影响。更强的自主性对人们在检测伪造艺术品和创作艺术品中使用人工智能的积极态度产生了人际和人际影响。结果表明，人类对关联性和自主性的需求对于在艺术中使用人工智能的态度很重要。因此，使用新技术的积极个人经历可能会影响人们对人工智能引入艺术领域的看法，艺术领域被认为是技术世界中人类的最后前沿。
人工智能态度量表（AIAS-4）的开发和验证
人工智能 (AI) 的快速发展引发了对能够评估公众对 AI 态度的工具的日益增长的需求。本研究提出开发和验证 AI 态度量表 (AIAS)，这是一种简明的自我报告工具，旨在评估公众对 AI 技术的看法。本文提出的 AIAS 第一版包含五个项目，包括一个反向计分项目，旨在衡量个人对 AI 对其生活、职业和整个人类影响的看法。该量表旨在捕捉人们对 AI 的态度，重点关注技术对社会和人类的感知效用和潜在影响。在两项独立研究中，使用不同的样本研究了该量表的心理测量特性。最初对量表的初步 5 项版本进行了探索性因子分析。这种探索性验证研究表明需要将量表分为两个因素。虽然结果表明，总体量表的内部一致性令人满意，并且与相关心理测量指标的相关性也令人满意，但对每个因素的单独分析表明，因素 1 的内部一致性很强，但因素 2 的内部一致性不足。因此，开发并验证了该量表的第二个版本，省略了与问卷中其余项目相关性较弱的项目。与最初的 5 项量表和拟议因素相比，经过改进的最终 1 因素 4 项 AIAS 表现出更高的整体内部一致性。对不同参与者样本进行的进一步验证性因素分析证实，AIAS 的 1 因素模型（4 项）与数据充分吻合，为量表的结构有效性和在不同人群中的普遍性提供了额外的证据。总之，本文报告的分析表明，开发和验证的 4 项 AIAS 可以成为致力于 AI 开发的研究人员和专业人士的宝贵工具，他们希望了解和研究用户对 AI 的总体态度。
温度和强磁场对具有量子阱Hgcdte/Cdhgte异质结构能态密度振荡的影响
在基于量子阱的异质结构材料中，研究能态密度对量化磁场强度和占据的依赖关系，可以为纳米级半导体结构中电荷载流子的能谱提供有价值的信息。当低维半导体材料暴露于横向量化磁场时，能态密度可以通过动力学、动力学和热力学量的振荡依赖关系来测量——磁阻、磁化率、电子热容量、热电功率、费米能和其他物理参数 [3, 4]。由此可见，在横向和纵向磁场存在下研究矩形量子阱导带能态密度的振荡是现代固体物理学的迫切问题之一。
基于分形维数和多维重构的智能态势感知
摘要：为实现态势感知的自主化、智能化，本文提出了一种基于分维信息挖掘和多维信息重构的智能态势感知模型。首先，通过对输入的融合信息进行三维重构建立空间态势感知，四维重构完成态势理解，五维重构寻求态势预测，将三级态势估计模型优化为更加鲁棒的态势估计三元模型。结合数据库系统、推理学习机制和多样化的人机界面理念，完成了智能态势感知的基本框架。其次，论证了系统的灵活配置方法。第三，给出了智能态势感知性能指标和多节点一致性的一些基本评价方法。第四，给出了钻井平台典型电磁态势估计算例，对理论进行了说明和验证。最后，对智能态势感知系统下一步建设提出了几点建议。
基于分形维数和多维重构的智能态势感知
摘要：为实现态势感知的自主化、智能化，本文提出了一种基于分维信息挖掘和多维信息重构的智能态势感知模型。首先，通过对输入的融合信息进行3D重构建立空间态势感知，4D重构完成态势理解，5D重构寻求态势预测。将三级态势估计模型优化为更加鲁棒的态势估计三元模型。结合数据库系统、推理学习机制和多样化的人机界面理念，完成了智能态势感知的基本框架。其次，论证了系统的灵活配置方法。第三，给出了智能态势感知性能指标和多节点一致性的一些基本评估方法。第四，本文给出了钻井平台的典型电磁态势估计算例，对理论进行了说明和验证。最后对下一步智能态势感知系统的建设提出了几点建议。
被不可穿透的球形腔限制的多个电子原子的能态、振子强度和极化率
[1] 张志华, 庄国忠, 郭可欣, 袁建华, Superlatt.微结构。 2016，100，440。[2] a)FK Boz，B. Nisanci，S. Aktas，SE Okan，Appl。冲浪。科学。 2016年，387，76； b) S. Yilmaz，M. Kyrak，国际。 J. Mod.物理。 B 2018 , 32 , 1850154. [3] RLM Melono, CF Lukong, O. Motapan, J. Phys. B：At.，Mol.选择。物理。 2018，51，205005。[4] G. Safarpour、MA Izadi、M. Nowzari、E. Nikname、MM Golshan、Commun。理论。物理。 2014 ，61，765。[5] Y. Yakar，B. Çakır，A. Özmen，Int. J. Mod.物理。 J 2007 , 18 , 61 [6] H. Kes, A. Bilekkaya, S. Aktas, S. Okan, Superlatt.微结构。 2017 ，111，966. [7] a)O. Akankan、I. Erdogan、H. Akbas ̧、Phys. E 2006,35,217； b) XC Li、CB Ye、J. Gao、B. Wang、Chin。物理。 B 2020 , 29 , 087302. [8] a)XC Li, CB Ye, J. Gao, B. Wang, Chin.物理。 B 2020，29，087302； b) JD Castano-Yepes、A. Amor-Quiroz、CF Ramirez-Gutierrez、EA Gomez、Phys。 E 2020，109，59。[9] a)H. El, AJ Ghazi, I. Zorkani, E. Feddi, A. El Mouchtachi, Phys. B2018，537，207； （b）E. Niculescu、C. Stan、M. Cristea 和 C. Trusca，Chem.物理2017 ，493 ，32。[10] a)B. Cakir、Y.Yakar、A.Ozmen，Chem.物理。莱特。 2017年，684，250； b) Y. Yakar、B. Çakir、A. Özmen，Chem.物理2018，513，213。