文摘gydF4y2Ba
本研究显示无线传感技术可以用来预测别人会怎么看待AI(人工智能),驱动定制数字新闻网站。我们随机挑选参与者参加在线调查问卷。本研究确定的伦理问题和应对策略基于ai新闻使用传感器技术。这项研究提出了一种改进的朴素贝叶斯分类算法预测接受AI-driven新闻网站。此外,技术接受框架特点继续在决定采用决定是至关重要的。研究结果表明,观察到应急有很大的直接影响和间接影响所主持的改善用户交互和积极性在预测接受AI-driven新闻网站。gydF4y2Ba
1。介绍gydF4y2Ba
计算机科学家,统计学家,和临床企业家都认为人工智能,机器学习,尤其是,将发挥至关重要的作用在医疗带来这种变化。“人工智能”这个短语(AI)是常用的在科技行业指计算机的能力原因,学习,并完成其他任务通常与人类智能有关(gydF4y2Ba1gydF4y2Ba]。适应,感觉理解和沟通也是这一类的过程的一部分。简单描述,传统的计算算法的程序,就像一个电子计算器,有一个定义的输出给定的输入:“如果这是输入,那么这是结果。“人工智能可以学习规则(函数)接触中提取有用的信息从大量的数字数据生成的卫生保健供给(gydF4y2Ba2gydF4y2Ba]。人工智能往往混合系统的形式结合软件和硬件组件。在计算机科学领域,人工智能主要专注于算法。人工神经网络(ann)理论支柱,在该平台上可以构建人工智能程序。这是一个代表人类的大脑神经元的网络通过加权沟通渠道联系在一起。人工智能运用各种各样的方法来发现复杂的非线性连接内部巨大的数据集(分析)gydF4y2Ba3gydF4y2Ba]。通过培训,机器学习来完善他们的算法,提高预测的可靠性(信心)。gydF4y2Ba
新技术的引入带来了担心它可能成为一个新的入口点错误和安全漏洞。这是特别重要的要记住,因为患者通常与临床医生在极度脆弱点在他们的生活中gydF4y2Ba4gydF4y2Ba]。人工智能和临床医生合作,前者提供循证管理,后者作为医疗决策指导,有可能是非常有益的,如果正确使用(AI-health)。它有可能改善卫生保健供给等领域的诊断、药物发现、流行病学、个性化治疗,和组织的有效性。研究人员强调需要一个健壮的治理结构维护人类生命不被所有的潜在威胁通过人工智能解决方案,包括那些不道德的行为引起的(gydF4y2Ba5gydF4y2Ba]。除非底层数据库和信息技术系统可以限制,它可能是具有挑战性的使用这种类型的数据(gydF4y2Ba6gydF4y2Ba]。尽管如此,人工智能在电子医疗纪录可以利用预先研究,提高治疗质量,减少浪费。如果发达国家和教会有足够的正确数据,此外,人工智能可以帮助创建卫生保健供给的创新模型通过研究临床实践趋势从电子健康数据gydF4y2Ba7gydF4y2Ba]。人工智能的功能在一个内容生成并不承认。即使是利用人工智能算法,新闻报道的署名,例如,很少有没有学分算法。没有此通知,读者无法推断仅从文本中如果一个AI是利用gydF4y2Ba8gydF4y2Ba]。它可能是一个挑战提供可接受的读者和相关新闻。基本原理是新闻领域特殊的困难,它有别于其他推荐系统的应用程序域(gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba
未来医药研究和开发可以受益于人工智能(AI)的使用。药物研究可能变得不那么浪费时间和更多的成本和data-efficient AI的使用,可以使用机器人和模型的基因目标,制药、器官疾病,疾病进展,副作用,治疗效果和安全gydF4y2Ba10gydF4y2Ba]。加速和改善药物开发过程效率可能借助人工智能(AI)。之前有尝试使用AI找到治疗埃博拉病毒;然而,就像任何药理试验,找到一个有前途的铅分子并不能保证一个安全有效的治疗gydF4y2Ba11gydF4y2Ba]。病人护理的应用可以极大地增强了通过实现人工智能到临床实践,但首先,重大伦理问题必须加以解决。四个主要伦理障碍之前必须克服人工智能在医学上的应用可以充分发挥他们的潜力gydF4y2Ba12gydF4y2Ba]。数据隐私、安全、公平算法,偏见,和能够获得用户的知情同意在使用他们的信息都是至关重要的。不仅仅是一个法律问题,而且政治、AI系统能否被认为合法。有人建议,能够将责任分配给一个特定的人或组织可能会威胁到机器操作后一组定义规则和学习新的行为模式。担心会因为这个日益扩大的问题。不幸的是,可能没有人指责使用人工智能时如果出现错误。潜在的危害还不清楚,增加依赖机器人会使它更难任何人对自己的行为负责(gydF4y2Ba13gydF4y2Ba]。gydF4y2Ba
现代计算技术的使用可以掩盖背后的推理AIS的输出,因此有意义的审查可能(gydF4y2Ba14gydF4y2Ba]。换句话说,AIS产生结果的过程是不透明的。虽然底层计算机科学在AIS可能是复杂的,实现可能设计为不透明的临床用户缺乏必要的技术培训,同时直观的一个训练有素的专家主题。新兴ML-HCAs覆盖大范围的目标,潜在的实现和应用。ML-HCAs完全可以从他们的自治死亡率预测,手动覆盖和资源分配,和人工智能。科学家应该详细地了解这些发现,连同他们的预测,可能告诉未来的研究(gydF4y2Ba15gydF4y2Ba]。这些信息是至关重要的建立研究的可行性和指导未来的研究。人工智能医疗必须足够灵活来应对不断变化的环境中充满了中断不影响其伦理基础,所以可能最好的满足病人的需要。然而,一个简单的、至关重要的一部分,建立安全的任何医疗软件的功能检查软件和确定软件可能会失败。在许多方面,用于开发软件的过程与添加成分制药或生理机制的整合成一个机械装置(gydF4y2Ba16gydF4y2Ba]。黑盒问题可能出现ML-HCAs自其内部工作原理并不总是显而易见的评价者,临床医生或病人。是研究者义不容辞的细节如何这些发现,连同他们的预测,可能为未来方向的调查gydF4y2Ba17gydF4y2Ba]。信息是用来确定的最终成本的研究和指导未来类似的努力。gydF4y2Ba
因为无形的数字经济的动荡迅速推进技术,精神病学面临新的伦理挑战的结果越来越依赖于电脑。基于大量数据分类的人可能影响深远,医学[以外的意想不到的后果gydF4y2Ba18gydF4y2Ba]。应用程序或医药网站与低质量的信息携带不良健康结果的风险,包括必要的推迟就医。公共和私人数据,以及医疗和非医疗数据,不再有明显的区别,他们之前在我们的社会。医生可能伤害精神疾病患者建议他们使用技术不先解决额外的伦理性考量,源于这样做(gydF4y2Ba19gydF4y2Ba]。几个问题将对促进这些伦理问题的讨论。病人有很大差距的接触和熟练使用数字工具,技术熟练,互联网安全,熟悉数字经济。“数字鸿沟”是指互联网接入的差距之间存在不同程度的收入、教育、和年龄,以及电信基础设施。互联网和智能手机使用老年人和人们心理和生理障碍远低于一般人群,尽管访问世界各地的大幅增长在过去的十年(gydF4y2Ba20.gydF4y2Ba]。有时,贫穷只有参差不齐,不稳定的访问互联网。技术能力的差异,网络素养,和使用模式现在反映在数字鸿沟。一般认为,千禧一代和创Zers都all things digital流利。但即使是那些从来没有一个没有电脑和智能手机的世界,有一个广泛的在线能力。数字技术的广泛采用如手机和视频游戏可以归因于他们的简单的使用那些没有技术培训。从学习技术的来龙去脉,掌握其使用完成一个一个的目标和解决的问题,“数字能力”的定义已经扩大了(gydF4y2Ba21gydF4y2Ba]。自我评价的技术水平往往是不准确的,甚至是人适应技术和知道如何有效地使用它可能不熟悉当今互联数字经济背后的概念。gydF4y2Ba
自我诊断在互联网上正变得越来越普遍,它可能有特殊的吸引力对于那些感到他们有精神疾病污名,需要隐私,需要省钱。每年有超过5000万人使用iTriage应用程序,检查他们的症状和找到一个医生,和三分之一的美国成年人使用互联网进行诊断。在线心理健康症状检查条件充足(gydF4y2Ba22gydF4y2Ba]。在线广告直接面向消费者(DTC)基因和另一个实验室测试也可以针对个别病人。在某些在线心理健康小组,诊断是一个常见的话题。自我诊断是一种常见的做法在某些患者中,这可能会让他们尝试自我治疗。现在,可以从网上得到任何处方药店。提供最常见的类型的药品监管网上药店,那些用于治疗心理健康问题是最成问题。许多假药房网站看起来就像那些实际的药店,因为他们是专业开发和包括假质量海豹(gydF4y2Ba23gydF4y2Ba]。大约三分之一的精神病患者使用某种膳食补充剂,其中许多都是自我选择的,网上获得,与夸张。这些应用程序进行评估,和那些只能看到有限的短暂的试点项目。某些健康网站从事欺诈行为或提倡对潜在有害的行为。举个例子,公司Lumosity惩罚制造虚假的承诺如何玩视频游戏和使用移动应用可以提高用户的智力(gydF4y2Ba24gydF4y2Ba]。一些老年痴呆症网上自测缺乏有效性和可靠性和违反职业道德准则。Abuse-producing物质如阿片类药物、兴奋剂、迷幻剂都可以在网上购买。一些在线资源公开提倡有害活动包括自残和饮食失调。有些人甚至试图把自己通过构造可能致命的经颅直流电刺激设备根据在线教程(gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba
随着物联网的兴起设备,情感识别软件通常被认为是下一个合乎逻辑的步骤在计算技术的发展。在未来,我们将不需要电脑或设备因为我们将获得AI-powered认知助理可以同我们的本地方言,解释我们的面部表情,声音,和书面情感和为我们提供不断的支持将情感识别的基础在未来gydF4y2Ba26gydF4y2Ba]。用户将需要更少的技术能力。有一个渴望个性化医疗医生和病人的助手。最近收到的推理或申请专利允许情绪和情感从收集的数据从网络和移动平台。算法基于人们的日常所产生的大量数据在线活动越来越被企业和政府形象的公民,衡量他们的情绪状态,预测他们未来的行为。公开社交媒体数据集被计算机科学等不同领域的研究人员,语言学,心理学和预测诸如抑郁症,自杀风险,心理变态,心理疾病和精神疾病的严重程度gydF4y2Ba27gydF4y2Ba]。医学界正在调查试点研究的使用双相情感障碍,精神分裂症和抑郁症,使用被动数据进行收集。从智能手机的传感器收集的信息,包括位置和设备使用时,用户如何移动,他们说话,和他们说什么,以及智能手机的内容都可以被用来通知参数都是用于学术的发展和医学研究。消费者和商业分析医学监测病人可能出现类似的乍一看。然而,商业企业的动机利用算法来描述情感或心理条件是利润而不是病人护理。在美国,大多数算法利用业务实体被认为是商业秘密,因此不能独立验证。公开发表的数据不允许复制的结果,证明了谷歌流感趋势(一个流感跟踪工具)。然而,一些企业可能表明他们使用改进的版本的发布算法,但是这些企业没有必要的培训或凭据提供医疗诊断或建议。“寻求抑郁症倾向”,由一个算法从一个以营利为目的的公司,不应该作为一个医学事实或用来对付一个人在就业、晋升或信贷。公司投入大量的资金,所以在未来的算法,我们将能更好地理解人类的情绪和精神状态。 The market for emotion recognition and detection was predicted to grow to $22.65 billion worldwide by 2020. The paper [28gydF4y2Ba)开发了一种多通道内容检索框架,使用自定义和相关反馈的方法来提高质量的经验(体验质量)为最终用户获取和提供特定于他们的人口和其他多媒体信息偏好。从这篇文章gydF4y2Ba29日gydF4y2Ba),高效的相关性反馈(RF)方式,除了个性化策略,可以通过提供改善用户体验的结果更符合用户的偏好。摘要(gydF4y2Ba30.gydF4y2Ba]提出了向量空间模型,该系统是相似的,它适用于未能处理查询与标量值的例子,他们不能把电影场景少于两个演员有一问题解决了我们的集成框架通过使用精确匹配查询和修改后的相关反馈机制。摘要(gydF4y2Ba31日gydF4y2Ba)提出了一个interest-driven、多媒体检索框架来计算语义和内容级媒体项目之间的相似性和查询描述符向量。摘要(gydF4y2Ba32gydF4y2Ba)使用的服务质量(QoS)丢包率等评价指标,延迟,抖动,和吞吐量。这些服务质量测量揭示对网络质量的影响但并不代表用户的经验。因此,这些QoS标准不能占无形资产造成对个人的生活质量。gydF4y2Ba
2。材料和方法gydF4y2Ba
结果表明,更好的用户参与度和积极性减少观察应变的影响预测接受AI-driven新闻网站,观察到应急的直接影响是相当大的。在这里,我们提供了一个增强版的朴素贝叶斯分类器测量AI-powered媒体的兴趣。gydF4y2Ba
2.1。数据分析gydF4y2Ba
2.1.1。预处理使用Min-Max正常化gydF4y2Ba
为了规范化属性,值改变了,他们都属于一个预先确定的时间间隔。关于分类框架,规范化是一个关键的一步当使用计算模型或接近的措施。分类的训练阶段使用神经网络反向传播方法可能会更快如果每个测量的输入值属性训练集的标准化。min-max归一化的目的是使原始数据线性的。假设最低和最大的值属性gydF4y2Ba是gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba B的价值,gydF4y2Ba ,gydF4y2Ba映射到gydF4y2Ba在[新-范围gydF4y2Ba ,gydF4y2Ba新-gydF4y2Ba通过使用以下公式:gydF4y2Ba
一个数据集的原始值min-max正常化后保留其相关性。如果后面的规范化输入场景gydF4y2Ba起始日期范围之外,一个“界外”错误的风险上升。gydF4y2Ba
2.1.2。特征提取使用主成分分析(PCA)gydF4y2Ba
减少变量,同时保留尽可能多的信息可行,主成分分析(PCA)的一系列正交线性变换适用于原来的变量。让gydF4y2Ba是一个gydF4y2Ba 数据矩阵,gydF4y2Ba和gydF4y2Ba代表的数量因素和观察,因此。为简单起见,我们假定整个的手段gydF4y2Ba列都是0。gydF4y2Ba ,gydF4y2Ba在哪里gydF4y2Ba 和gydF4y2Ba第一主成分的定义。gydF4y2Ba选择V最大化gydF4y2Ba1gydF4y2Ba' r方差,即gydF4y2Ba
与gydF4y2Ba 。gydF4y2Ba下面定义的所有剩余的关键成分,为:gydF4y2Ba
根据gydF4y2Ba
根据这个定义,第一个gydF4y2Bak特征向量是第一个k加载向量。gydF4y2Ba
自从深发展是制定的特征分解,以确定AI-driven新闻使用传感器技术,它是相关的gydF4y2Ba奇异值分解。让我们假装gydF4y2Ba代表真实。gydF4y2Ba
在哪里gydF4y2Ba和gydF4y2Ba正交矩阵的gydF4y2Ba 和gydF4y2Ba 行和列,分别gydF4y2Ba是一个对角矩阵与对角组件gydF4y2Ba ,gydF4y2Ba…,gydF4y2Ba在降序排列。gydF4y2Ba主要部件的载荷矩阵,因为列gydF4y2Ba的特征向量。我们可以看到,gydF4y2Ba 自gydF4y2Ba 是gydF4y2BathgydF4y2Ba列的gydF4y2Ba 。gydF4y2Ba认识到gydF4y2Ba是一个很好的数据矩阵的低秩估计。gydF4y2Ba
各种几何对深发展的理解,直导管是最适合的信息。这个概念与深发展是如何构建的。使gydF4y2Ba的gydF4y2BathgydF4y2Ba行gydF4y2Ba 。gydF4y2Ba在第一个gydF4y2Ba主要组件一起,等于gydF4y2Ba 。gydF4y2Ba 是一个gydF4y2Ba 正交矩阵的定义。每个观测应该将线性区域覆盖gydF4y2Ba 。gydF4y2Ba预计数据gydF4y2Ba 和投影算符gydF4y2Ba 。gydF4y2Ba通过降低整体gydF4y2Ba2gydF4y2Ba近似误差,可以确定最优投影。gydF4y2Ba
参数中指定的应用程序可能不同的长度尺度和测量系统。由于参数标准化,每个变量的边际方差等于1。主成分分析使用这种方法将提供原始数据的相关系数和统一数据的协方差矩阵。请记住,协方差矩阵和相关矩阵的特征值并不总是相同的。gydF4y2Ba
2.1.3。使用改进的朴素贝叶斯分类算法预测gydF4y2Ba
概念下的一致性和估计的无偏性,更大的分类率可能达到通过扩展学习领域内(样本)大小相同的数据集(人口)使用传感器技术。我们INBC仅更新学习领域提供最佳的性能使用前面计算数据。例如,我们有一个基本的训练数据集(第一阶段的数据),由每日气象观测在过去的10年。同样,研究预测的技术接受数字媒体新闻使用传感器技术。逐步提高最初的训练数据集,然后将第二阶段的数据(几天气之前验证记录)到一些预定的数据集(步长)。这样一个新的培训模型可以计算第三阶段的数据的分类率(一些更新和测试)。第二和第三波的联合效应的数据将决定,他们参与讨论道德人工智能管理。他们强调与AI伦理管理的理论与实践问题,并提供一个对未来初步研究议程。朴素贝叶斯是最快也是最简单的机器学习技术预测数据集的集合。它适用于与两类或多类。 When compared to other algorithms, it is superior at making predictions across several classes [33gydF4y2Ba]。算法gydF4y2Ba1gydF4y2Ba我们演示了如何INBC方法使用传感器的方法将提高分类精度和速度。gydF4y2Ba
|
||||||||||||||||||||||||||||||||||||||
3所示。结果与讨论gydF4y2Ba
结果表明,更好的用户参与度和积极性减少观察应变的影响预测接受AI-driven新闻网站,观察到应急的直接影响是相当大的。传感器技术的帮助下,预测的影响接受将派生。在这里,我们提供了一个增强版的朴素贝叶斯分类器测量AI-powered媒体的兴趣。gydF4y2Ba
正确分类的能力模型的数据可能被评估使用许多不同的性能标准。这篇文章使用了各种各样的措施,不仅精度,精度,召回,F1的分数。为论点,让我们说,类变量的值在一个二进制分类工作可以被认为是积极的(P)或负面(N)情况下,模型正确地归类为阳性(P)被称为真正的阳性(TP),而这些分类错误的负面(N)被称为假阴性(FN)。真阴性(TN)正常情况下是那些模型识别为负(N)情况下,而假阳性(FP)情况下是那些模型错误标识为阳性(P)病例。gydF4y2Ba
结果各种性能指标,包括精度,精度,回忆,和F1的分数,可以在方程(gydF4y2Ba7gydF4y2Ba)- (gydF4y2Ba10gydF4y2Ba)。gydF4y2Ba
是正确的积极的,B是真阴性,C是假阳性,D是假阴性。gydF4y2Ba
通过使用上面的方程,我们可以确定现有方法的准确度和精密度与该模型。准确性是用来评估分类器根据其预测如何匹配目标标签。你也可以表达这个想法通过查看正确答案的百分比在所有考试。方程(gydF4y2Ba7gydF4y2Ba)显示的准确性。图gydF4y2Ba1gydF4y2Ba显示了一个比较传统的准确性和表示方法。标准方法相比,提出的一个更好的结果。准确性CA-LDA [gydF4y2Ba34gydF4y2Ba)为57%,然而,[gydF4y2Ba35gydF4y2Ba)为64%,MLCNN [gydF4y2Ba36gydF4y2Ba)为77%,IKCD [gydF4y2Ba37gydF4y2Ba)为85%,该INBCA为93%。gydF4y2Ba
测量精度在许多方面,但其中最重要的是精度。在方程(如上所述gydF4y2Ba10gydF4y2Ba),这是按照正确的比例计算分类实例的总数预测积极数据的出现。表gydF4y2Ba1gydF4y2Ba代表一个精度的数值表示。gydF4y2Ba
图gydF4y2Ba2gydF4y2Ba显示的结果比较传统和建议的方法的精度。拟议的技术相比,像CA-LDA先前方法的精度,然而,MLCNN, IKCD从74%到85%不等。我们获得一个拟议中的INBCA 96%的精确度。表gydF4y2Ba2gydF4y2Ba表示精度的数值表示。gydF4y2Ba
分类器的“回忆”,或者情况下准确地标记为“积极”的比例是一个有用的指标。召回是一个性能指标选择最好的模型。图gydF4y2Ba3gydF4y2Ba显示了一个对比目前使用的召回和表示方法。建议技术提供了更多的准确性比标准的方法。CA-LDA 53%,然而有85%,MLCNN 74%, IKCD 88%,该INBCA具有97%。表gydF4y2Ba3gydF4y2Ba表示的数值表示召回。gydF4y2Ba
通过平均精度和召回评级,我们得到了F1的分数。这个计算可以帮助找出有多少假阳性和阴性。图gydF4y2Ba4gydF4y2Ba显示了F1分数区别传统和提出方法。该方法优于F1的先进策略得分。F1 CA-LDA传统方法得分是55%,84%,然而,IKCD MLCNN为64%,73%。推荐INBCA F1得分是96%,表中定义gydF4y2Ba4gydF4y2Ba。gydF4y2Ba
计算复杂度是多少时间的度量和内存(资源)一定的算法使用时执行。提出的计算复杂度差异和标准方法如图gydF4y2Ba5gydF4y2Ba。建议的方法执行的计算复杂度比最先进的方法。计算复杂度的标准技术CA-LDA为90%,然而66%,MLCNN为83%,IKCD为77%。建议INBCA的计算复杂度是55%,如表所示gydF4y2Ba5gydF4y2Ba。gydF4y2Ba
从这项研究中,可以看出该模型提供了较高的准确度和精密度评价的接受行为个人使用传感器技术。有效的互动和乐观的影响最小化观察应变采用AI-driven新闻网站。这种方法还有助于确定伦理挑战和应对策略的采用技术。朴素贝叶斯概率模型是一个简单但至关重要的。智能机器,不是人工智能,操作只在算法和不需要训练数据。这注意将利用它作为一个运行的例子。具体地说,我们第一次地址最大似然(ML)估计的情况完全看到数据,然后分析期望最大化(EM)技术在部分观测数据的情况下,标签的实例(缺席gydF4y2Ba38gydF4y2Ba]。gydF4y2Ba
4所示。结论gydF4y2Ba
这项研究表明无线传感技术的潜在效用的估计读者反应AI(人工智能),驱动的个性化数字新闻网站。我们使用一个随机选择过程来招募人参加一个在线调查。使用传感器技术,本研究探讨了道德的挑战和应对策略提出的基于ai新闻这些挑战和可能的解决方案。本研究提出一种改进的版本的朴素贝叶斯分类方法(INBCA)来预测人们会怎么应对AI-driven新闻网站。结果表明,更好的用户交互和乐观减少的影响观察应急预言AI-driven新闻站点的验收。gydF4y2Ba
符号gydF4y2Ba
| 艾凡:gydF4y2Ba | 对角矩阵gydF4y2Ba |
| 护士:gydF4y2Ba | 奇异值分解gydF4y2Ba |
| 旅客:gydF4y2Ba | 正交矩阵gydF4y2Ba |
| 凯西:gydF4y2Ba | 加载向量gydF4y2Ba |
| ggydF4y2Ba2gydF4y2Ba:gydF4y2Ba | 近似误差。gydF4y2Ba |
数据可用性gydF4y2Ba
数据可从相应的作者。gydF4y2Ba
的利益冲突gydF4y2Ba
作者宣称没有利益冲突。gydF4y2Ba
确认gydF4y2Ba
这项研究是由人文社会科学研究项目的重庆市教育委员会,中国(批准号22 skgh077)。gydF4y2Ba