XiaoMi-AI文件搜索系统
World File Search System认知过程
在制造业中实现人机协同智能
摘要 Teaming.AI旨在克服灵活性不足这一以人为本的AI协作的限制因素，其设想是一个集成两者优势的团队框架，即人类智能的灵活性以及机器智能的扩展和处理能力。在Teaming.AI中，这将通过采用构建人与AI系统之间交互的团队模型以及动态支持团队模型以应对流程、监管和上下文知识的知识图来实现。我们希望开发的Teaming.AI平台能够让人类团队成员更好地理解和控制制造环境中的自动化服务和决策支持，从而实现人与AI之间更加信任的协作。关键词 1 故障检测和诊断、决策和认知过程、以人为本的自动化、知识建模、基于知识的系统
层次化任务分析 - MyCourses
层次化任务分析 (HTA) 由赫尔大学于 20 世纪 60 年代末开发，旨在满足人们对理解复杂非重复性操作员任务所需技能的理性基础的需求，尤其是钢铁生产、化学和石油精炼以及发电中的过程控制任务。当时可用的主要分析工具要么来自经典工作研究（Gilbreth，1911；Taylor，1911），要么来自基于心理测量结构的技能分类法。工作研究提供了一组简单的单元，如“选择”、“掌握”和“组装”，描述重复的手动操作，但对于监控、控制和决策等“脑力”工作却不足。Gilbreth 的一些单元，例如“选择”，暗示了认知过程，但并没有认真尝试阐述或分析潜在的心理活动。
人为因素摘要第 1 号
1.5 航空业早期的许多担忧都与噪音、振动、热、冷和加速度对人的影响有关。通常，最接近生理学知识的人是医生；这可能产生了对人为因素最持久的误解之一，即认为它是医学的一个分支。然而半个世纪前，工作正在向飞行任务的认知方面扩展，这种趋势一直持续，并且超出了医学的范围。优化人们在这个复杂工作环境中的作用涉及人类表现和行为的所有方面：决策和其他认知过程；显示器和控件的设计以及驾驶舱和客舱布局；通信和计算机软件；地图和图表；以及飞机操作手册、清单等文档领域。人为因素知识也越来越多地用于员工选拔、培训和检查以及事故调查。
大脑网络动力学预测惊喜动态-CCN 2024
惊喜是一种基本的人类经验。，我们会惊讶于电影中的情节扭曲，或者在体育比赛中取得了弱者队的胜利。我们生活中有多少令人惊讶的时刻有什么共同点？是否有令人惊讶的大脑签名？我们确定了一个大脑网络模型，即基于惊喜边缘 - 基于 - 基于 - 基于功能性磁共振成像（fMRI）测量的区域交互动力学，预测了在自适应学习任务中的惊喜。相同的模型被推广，以预测惊喜，因为单独的个人观看了悬疑的篮球比赛和违反心理期望的视频。我们的结果表明，共同的神经认知过程是跨环境中惊喜的基础，并且可以将不同的经验转化为大脑动力学的共同空间。
军事模拟测试中注意力的皮质研究
注意力是最后获得高级大脑功能范畴的复杂大脑过程之一，也是许多其他认知过程的基础，是目前研究最多的功能之一。注意力的概念随着时间的推移而发生变化，目前被认为是一组执行特定信息处理操作的神经区域网络。在这些网络中，有两个网络尤为突出：前部注意网络，在解剖学上位于大脑的前部区域，从根本上与目标的检测/选择有关；以及后部注意力网络，与注意力的视觉空间方向相关，在解剖学上由丘脑、上丘和后顶叶皮层区域构成。因此，注意力可以定义为信息处理的中央控制机制，它通过激活和抑制过程按照有机体的目标采取行动，并且可以导向感官、结构和过程。
五个原则来利用生物多样性保护和缓解气候变化的人文价值
变化无所不能，差异化是无所不在的。哲学严格审问了感知的现实，采用纪律严明的方法来解决基本问题：存在的本质，其根本原因以及维持它的过程。这种探索性方法是一种自然的人类趋势，在整个生活阶段都显而易见，它深刻影响了各个学科的理论的发展，重塑了我们的世界观并改变了历史叙事。然而，这种迭代的思想和认知过程经常以深深的信念达到顶点，而没有仔细审查，并被“理性方法”所证明。认识到这些偏见，哲学家在历史上制定了与之面对和减轻这种先入之见的策略。尽管做出了这些努力，但这种话语通常仍在自我参照的历史背景下，需要进行范式转变以适应变化的加速速度。
探索机器人决策的认知反思
这项研究严格研究了将认知反射模型嵌入机器人决策系统中的潜力。认知反射使人类能够超越最初的冲动和启发式方法，以改善决策结果，以此作为增强自主机器人决策能力的一种机制。通过分析机器人技术中的现有决策范式，本文概念化了认知反射的采用，并评估了其对现场的前瞻性变革性影响。通过详细的研究，它阐明了认知反射可以提供的机器人智能和功能的显着增强。此外，它严格地讨论了技术可行性，道德考虑和更广泛的社会影响，从而描述了一个全面的框架，以实现对机器人技术认知过程的负责任和有效整合。
分层任务分析 - MyCourses
层次任务分析 (HTA) 是赫尔大学于 20 世纪 60 年代末开发的，旨在满足对理解复杂非重复性操作员任务所需技能的理性基础的需求，尤其是钢铁生产、化学和石油精炼以及发电中的工艺控制任务。当时可用的主要分析工具要么来自经典工作研究（Gilbreth，1911；Taylor，1911），要么来自基于心理测量结构的技能分类法。工作研究提供了一组简单的单元，例如“选择”、“掌握”和“组装”，用于描述重复的手动操作，但对于监控、控制和决策等“脑力”工作而言，这些单元已被证明不够用。Gilbreth 的一些单元，例如“选择”，暗示了一个认知过程，但没有认真尝试阐述或分析潜在的心理活动。
快速隐形频率标记（Rift）
过去的研究主要在较低的频率（<30 Hz）下使用频率标记。但是，出于2个原因，使用低频标记是有问题的。首先，可以有意识地感知低频标记，从而干扰任务处理。其次，这种低频标记潜在地纳入或破坏同一范围内的内源性神经振荡，这些神经振荡通常与认知过程有关，包括预测即将到来的感觉输入（Arnal和Giraud 2012; Lewis等人2012; Lewis等人>2016）和自上而下的机制，这些机制塑造了大脑遥远区域或网络之间的通信（Bastos等人2015;弗里斯2015; Bonnefond等。2017）。为了克服这些问题，在过去的5年中，新开发的投影仪的研究为较高的刷新率，更高频率（> 60 Hz）的标签信息推动。这个