Prediction of the undrained shear strength of remolded soil with non-linear regression,fuzzy logic,and artificial neural network

This study aims to predict the undrained shear strength of remolded soil samples using non-linear regression analyses,fuzzy logic,and artificial neural network modeling.A total of 1306 undrained shear strength results from 230 different remolded soil test settings reported in 21 publications were collected,utilizing six different measurement devices.Although water content,plastic limit,and liquid limit were used as input parameters for fuzzy logic and artificial neural network modeling,liquidity index or water content ratio was considered as an input parameter for non-linear regression analyses.In non-linear regression analyses,12 different regression equations were derived for the prediction of undrained shear strength of remolded soil.Feed-Forward backpropagation and the TANSIG transfer function were used for artificial neural network modeling,while the Mamdani inference system was preferred with trapezoidal and triangular membership functions for fuzzy logic modeling.The experimental results of 914 tests were used for training of the artificial neural network models,196 for validation and 196 for testing.It was observed that the accuracy of the artificial neural network and fuzzy logic modeling was higher than that of the non-linear regression analyses.Furthermore,a simple and reliable regression equation was proposed for assessments of undrained shear strength values with higher coefficients of determination.

Artificial Neural Network to Predict Leaf Population Chlorophyll Content from Cotton Plant Images

Leaf population chlorophyll content in a population of crops, if obtained in a timely manner, served as a key indicator for growth management and diseases diagnosis. In this paper, a three-layer multilayer perceptron （MLP） artificial neural network （ANN） based prediction system was presented for predicting the leaf population chlorophyll content from the cotton plant images. As the training of this prediction system relied heavily on how well those leaf green pixels were separated from background noises in cotton plant images, a global thresholding algorithm and an omnidirectional scan noise filtering coupled with the hue histogram statistic method were designed for leaf green pixel extraction. With the obtained leaf green pixels, the system training was carried out by applying a back propagation algorithm. The proposed system was tested to predict the chlorophyll content from the cotton plant images. The results using the proposed system were in sound agreement with those obtained by the destructive method. The average prediction relative error for the chlorophyll density （μg cm^-2） in the 17 testing images was 8.41%.

An artificial neural network model in predicting VTEC over central Anatolia in Turkey

This research investigates the capability of artificial neural networks to predict vertical total electron content(VTEC)over central Anatolia in Turkey.The VTEC dataset was derived from the 19 permanent Global Positioning System(GPS)stations belonging to the Turkish National Permanent GPS NetworkActive(TUSAGA-Aktif)and International Global Navigation Satellite System Service(IGS)networks.The study area is located at 32.6°E-37.5°E and 36.0°N-42.0°N.Considering the factors inducing VTEC variations in the ionosphere,an artificial neural network(NN)with seven input neurons in a multi-layer perceptron model is proposed.The KURU and ANMU GPS stations from the TUSAGA-Aktif network are selected to implement the proposed neural network model.Based on the root mean square error(RMSE)results from 50 simulation tests,the hidden layer in the NN model is designed with 41 neurons since the lowest RMSE is achieved in this attempt.According to the correlation coefficients,absolute and relative errors,the NN VTEC provides better predictions for hourly and quarterly GPS VTEC.In addition,this paper demonstrates that the NN VTEC model shows better performance than the global IRI2016 model.Regarding the spatial contribution of the GPS network to TEC prediction,the KURU station performs better than ANMU station in fitting with the proposed NN model in the station-based comparison.

On recommendation-aware content caching for 6G:An artificial intelligence and optimization empowered paradigm

Recommendation-aware Content Caching(RCC)at the edge enables a significant reduction of the network latency and the backhaul load,thereby invigorating ubiquitous latency-sensitive innovative services.However,the effectiveness of RCC strategies is highly dependent on explicit information as regards subscribers’content request patterns,the sophisticated caching placement policy,and the personalized recommendation tactics.In this article,we investigate how the potentials of Artificial Intelligence(AI)and optimization techniques can be harnessed to address those core issues and facilitate the full implementation of RCC for the upcoming intelligent 6G era.Towards this end,we first elaborate on the hierarchical RCC network architecture.Then,the devised AI and optimization empowered paradigm is introduced,whereas AI and optimization techniques are leveraged to predict the users’content preferences in real-time situations with the assistance of their historical behavior data and determine the cache pushing and recommendation decision,respectively.Through extensive case studies,we validate the effectiveness of AI-based predictors in estimating users’content preference and the superiority of optimized RCC policies over the conventional benchmarks.At last,we shed light on the opportunities and challenges in the future.

Recent advances in artificial intelligence generated content

Artificial intelligence generated content(AIGC)has been a research hotspot in the field of artificial intelligence in recent years.It is expected to replace humans in performing some of the work of content generation at a low cost and a high volume,such as music,painting,multimodal content generation,news articles,summary reports,stock commentary summaries,and even content and digital people generated in the meta-universe.AIGC provides a new technical path for the development and implementation of AI in the future.

Feasibility of measuring moisture content of green sand by a low frequency multiprobe detector based on dielectric characteristics

Green sand is a mixture of silica sand,bentonite,water and coal powder,and other additives.Moisture content is an important index to characterize the properties of green sand.Based on the dielectric characteristics of green sand and transmission line theory,a method for rapidly measuring the moisture content of green sand by means of a low frequency multiprobe detector was proposed.A system was constructed,where six detectors with different arrangements and probes were designed.The experimental results showed that the voltage difference of transmission line increases with the increasing frequency before 29 MHz while decreases after 35 MHz.A voltage difference platform occurs in the range of 29-35 MHz,which is suitable for measuring the moisture content due to its insensitivity to frequency.The electric field intensity gradually decreases with the increase of the probe depth,and the intensity of central probe is always greater than that of the edge probe.When the distance of the probe away from the sand sample surface is 80 mm,the electric field intensity of the edge probe is found to be very weak.The optimal excitation frequency for measuring the moisture content of green sand is 29-33 MHz.The optimal detector is the one with one center probe and three edge probes,and their lengths are 80 mm and 60 mm,respectively.The distance between the center and edge probes is 25 mm,and the diameter of probes is 5 mm.Taking the voltage difference of transmission line,bentonite content,coal powder content and compactability as parameters of the input layer,and the moisture content as a parameter of the output layer,a three-layer BP artificial neural network model for predicting the moisture content of green sand was constructed according to the experimental results at 33 MHz.The prediction error of the model is not higher than 3.3% when the moisture content of green sand is within the range of 3wt.%-7wt.%.

蜜环菌人工菌棒基质碳氮比对乌天麻产量及营养品质的影响

目的分析蜜环菌人工菌棒基质碳氮比对乌天麻产量及基本营养成分含量的影响,并对乌天麻氨基酸品质进行评价。方法通过大棚内随机区组实验,测定不同种植模式下乌天麻的基本营养成分含量,对其进行单因素方差分析和多重比较,通过氨基酸评分法对乌天麻中氨基酸营养价值进行评价。结果蜜环菌人工菌棒基质碳氮比对乌天麻的产量、基本营养成分含量及氨基酸的营养品质均有显著影响;蜜环菌人工菌棒基质碳氮比为75.94时种植的乌天麻,其各项营养指标接近对照种植的乌天麻的各项营养指标,显著大于蜜环菌人工菌棒基质碳氮比为60.69、126.39时种植的乌天麻的各项营养指标。蜜环菌人工菌棒基质碳氮比为75.94时种植的乌天麻,其必需氨基酸含量与总氨基酸含量的比值为37.03%,接近40%;必需氨基酸含量与非必需氨基酸含量的比值为58.79%,接近60%;必需氨基酸的氨基酸比值、必需氨基酸的比值系数分、必需氨基酸比值系数与联合国粮食及农业组织/世界卫生组织提出的氨基酸理想模式较接近。结论利用蜜环菌人工菌棒种植乌天麻可以获得基本营养成分含量高、氨基酸丰富、必需氨基酸的组成比例相对合理、符合人体吸收利用需求、具有较高营养价值的乌天麻。

人工智能生成内容的著作权法之辩

根据输入指令与输出内容的比例关系,可将人工智能生成内容依次分为孪生内容、伴生内容和原生内容。人工智能生成内容主要涉及三个著作权法问题。一是机器阅读的法律性质问题,法定许可说能更好地兼顾著作权专有属性与公有属性,实现权利行使与限制的动态平衡。二是生成内容的可著作权性问题,需要结合内容类型并考虑输入指令的潜在影响。同比例复制的孪生内容不属于作品,差异化表达的伴生内容属于演绎作品,创造性表现的原生内容属于原创作品。三是生成内容的著作权归属问题,除另有协议外,需要结合内容类型并考虑所有者、使用者的贡献程度。孪生内容因不属于作品,无人享有著作权;所有者、使用者对伴生内容的形成均有重大贡献,基于概括合作行为与意识,所有者、使用者共同享有著作权;只有所有者对原生内容的形成具有重大贡献,所有者单独享有著作权。

如何走出AIGC的“科林格里奇困境”:全流程动态数据合规治理

[目的/意义]AIGC的快速发展带来了安全风险与规制问题,遵循AIGC的发展趋势构建全流程动态数据合规治理机制,能够帮助AIGC走出“科林格里奇困境”。[研究设计/方法]通过梳理AIGC与数据治理之间的赋能与保障关系,结合AIGC规制的国际实践经验进行“科林格里奇困境”规制博弈分析,探析AIGC创新发展与规制的路径。[结论/发现]无论是欧盟的强硬规制、中国的谨慎监管还是美国的行业自律,都在不同维度显现出规制的局限性,可以通过全流程动态化规制手段适配AIGC的动态化发展趋势,构建基于数据合规治理的AIGC全流程动态规制机制,帮助AIGC走出困境。[创新/价值]基于数据合规治理的AIGC动态规制机制能够不断改进规制体制和工具,为AIGC相关技术落地具体应用领域提供思路。

智能助产术教学法——以“智能苏格拉底会话机器人”教学实践为例

当前,生成式人工智能与学生的人机会话主要是“知识讲述”型会话关系,这会影响学生的高阶思维能力发展。解决这一问题的关键是,如何将人机“知识讲述”型会话关系,转变为“知识转化”型会话关系。为此,研究者以助产术理论、ChatGPT、学习分析和腾讯QQ工具为基础,探索智能助产术教学法的学习发生机制,开发智能苏格拉底会话机器人,构建智能助产术教学模式。本研究采用准实验方法,以“远程教育学”课程为教学内容,以教育技术学专业本科生为对象,开展以智能会话机器人支持的教学实验。实验结果表明,智能助产术教学与直接使用ChatGPT的教学相比,能显著提升学生的问题解决能力、创新能力和协作学习能力,但是对学习绩效、批判性思维能力和自我效能感的影响不显著。为提高教学效果,研究者需提升计算机的系统算力,开发批判性思维学习支架,构建人机适切性互动机制,研制自我效能感提升策略。

组态视角下AIGC应用平台用户中辍行为影响因素研究

[目的/意义]从组态视角对AIGC应用平台用户的中辍行为影响因素进行研究,明确人工智能技术服务的痛点与边界,更好地优化服务,以促进技术赋能。[方法/过程]使用问卷收集219份有效数据,采用扎根编码与定性比较分析相结合的方法,对影响AIGC应用平台用户中辍行为的因素进行识别,并构建相应的理论模型,揭示引致AIGC应用平台用户中辍行为发生的条件组合。[结果/结论]将AIGC应用平台用户中辍行为归纳为潜在威胁感知型和技术因素主导型两种模式,发现感知威胁、期望失验、系统质量、内容质量在AIGC应用平台用户中辍行为中发挥着重要作用。基于上述研究结论,对后续的研究视角提出了相关建议。

人工智能在设计产业中的应用及发展

目的对人工智能在设计领域的应用进行梳理与总结,分析当下人工智能对设计流程和设计师的影响,展望未来人工智能对设计行业的影响趋势。方法使用VOSviewer工具和文献计量法对Web of Science数据库中关于“人工智能在设计领域的创新与应用”的文献进行详细的可视化和聚类分析,深入探讨文献中的核心观点和案例。结果基于四个主要聚类(AI+技术应用、AI+设计流程、AI+创意协作、AI+影响反思)来展开讨论。特别关注生成式人工智能(AIGC)技术对设计方法和设计流程的影响,指出生成式人工智能在促进设计创新和提升设计效率方面发挥着至关重要的作用。此外,生成式人工智能对设计师的传统角色及设计原创性提出了新的挑战并重新定义需求。预测未来人工智能将进一步整合进设计流程,促进设计创新,更加关注人工智能的原创性、责任边界问题,探讨人工智能与设计师合作的新模式。结论通过对人工智能在设计领域应用的全面综述,为未来设计创新与人工智能融合提供了有价值的理论参考和发展方向。

人工智能生成内容确权模式的嬗变与数据财产权的确立

人工智能生成内容已深入应用到社会生产生活当中。在数据确权制度诞生之前,各国立法、司法和理论界大多主张以著作权法保护人工智能生成的数据。由于狭义著作权确权模式饱受“独创性”诟病,转而走向邻接权确权模式。然而,透过人工智能生成内容的技术和法律本质可以看出,该客体和邻接权的保护客体以及设立目的并无相关之处,盲目扩大邻接权的保护范围不仅会遭到理论与制度的挑战,而且在司法实践中也会捉襟见肘。因此,必须走出著作权保护模式的藩篱和迷雾,直面人工智能生成内容的本质,构建具有合理性的新型财产权制度。从数据视野来看,人工智能生成内容的技术本质为数据,法律本质为数据财产。随着数据时代的到来以及数据立法的展开,人工智能生成内容的数据财产权确权模式必然浮出水面。数据财产权确权模式是依托于数据法律制度的出现与发展提出的,是立足于人工智能生成内容的数据本质形成的,是基于人工智能生成内容的数据财产法律属性揭示的确权模式选择。在综合考量产业目的、盈利模式、风险成本、商业实践以及使用者目的来看,人工智能生成内容的权利主体应当为服务使用者而不是服务提供者,权利保护应适用“财产规则”和“禁易规则”。

全球视野下我国人工智能素养教育内容框架的构建

[目的/意义]构建更具普适性、新颖性的人工智能素养教育内容框架。[研究设计/方法]参考全球具有影响力的人工智能素养框架、国际组织报告、国际标准、多个先行国家(地区)的政策、我国的国家战略需求、雇主对人工智能人才的需求、学术论文、全球知名企业动态和已开设的人工智能素养教育课程的内容,分析人工智能素养教育内容框架的构成及其依据。[结论/发现]我国人工智能素养教育内容框架由人工智能认知、人工智能技能、人工智能应用、人工智能伦理四大部分组成。[创新/价值]有别于国内同类成果主要依据学术论文析出的人工智能素养能力框架,整合多种来源的学术数据,构建出兼具可操作性与实践指导价值的人工智能素养教育内容框架。

人工智能生成内容的著作权客体性思考——兼论作品判定的独创性标准选择

以基于转换器的生成式预训练模型(GPT)为代表的高阶人工智能凭借其强大的智能型内容生成机制,使得内容产品生产中的技术占比不断上升,人的直接投入占比相对下降,传统著作权法作品的独创性要求、权利人本原则等基本理论受到冲击。面对人工智能生成内容(AIGC)可作品性问题,基于自然人智力投入的创造性本质理论和闭合性作品概念显得力不从心。在过程视角下(主观标准),人工智能内容生成过程符合人类创作的思维特征;在结果视角下(客观标准),人工智能生成内容具有著作权作品的外观形式和信息消费功能,符合著作权作品的本质属性。如果人为割裂人工智能生成内容与著作权作品在产生过程和实质作用上的同质关系,强行区分人工智能生成内容和自然人创作作品的法律性质,则有悖著作权法因应技术发展调整信息消费品利益的制度旨趣,最终将导致著作权法律秩序的混乱。

元宇宙会是昙花一现吗?——“现象级”数智技术及其教育启示

从元宇宙到生成式人工智能,科技进步以指数级跃升态势,推动人类社会前行。教育作为连接技术与社会的人力资源纽带,在“现象级”数智技术高歌猛进的一波波热潮裹挟下不断面临“如何变”的拷问。随着元宇宙的讨论热度被生成式人工智能所取代,人们不禁追问:元宇宙会是昙花一现吗?为此,文章首先依托技术促进教育变革的原理,分析了以元宇宙、生成式人工智能为代表的“现象级”数智技术给教育领域带来的学习方式变迁、认知方式转变、教育关系演变和系统生态变革,并指出技术是教育变革的影响因素和驱动力,对教育发展起积极的推动作用。随后,文章通过对技术属性的解析来理解跃迁中的数智技术,并探析了数智技术促进教育发展的本质,即对学习方式、认知方式、教育关系和系统生态变革进行编程。最后,文章阐释了“现象级”数智技术的教育启示,以期为数智时代背景下技术促进教育发展的本质探索与意义解构提供启示,并引领未来数智教育的发展方向。

在线社区中人工智能生成内容的识别方法研究

[目的/意义]生成式人工智能会对在线社区造成一定程度的AI信息污染,研究多种AIGC识别方法对防范快速进化的生成式人工智能带来的负面影响有重要意义。[研究设计/方法]首先在以新浪微博54个大类主题为主的多个在线社区平台中构建了HAC数据集,其中包含100,873条分别由人类和生成式人工智能撰写的信息;然后探究当前6个主流深度学习和7个机器学习方法是否能识别在线社区中的信息是由人类还是由生成式人工智能所撰写;最后提出了一种BEM-RCNN方法进一步提高AIGC的识别精度。[结论/发现]从构建的数据集中可以看出,生成式人工智具有强大的“类人表达”,能够模拟人类在社交媒体平台上发布和回复内容。实验结果表明,提出的方法准确度达到96.4%,能够很好地识别在线社区上的内容是由人类还是AI撰写。在精度、召回率、F1-值和准确度上均优于BERT、ERNIE、TextRNN等其他13种主流的方法,验证了其性能优势。同时,大量探究实验也证明了当前主流的机器学习方法虽然精度低于此方法,但是也能够识别部分AIGC。[创新/价值]使用多种方法去识别社交媒体上的AIGC,防范生成式人工智能对社交媒体平台造成的信息污染。

生成式人工智能教育应用政策比较:共识、差异与实施进路

生成式人工智能教育应用近年来备受瞩目,其强大的生成能力为教育领域注入新的活力。然而,我国关于生成式人工智能教育应用方面的法律法规仍处于空白状态,这无疑对生成式人工智能广泛应用带来了不小挑战。为弥补这一政策空白,运用内容分析法,对国际上已发布的具有代表性的三项政策,从教师教学、学生学习、教学评价、教学研究、学习辅导和教育管理六个核心维度进行分析。在此基础上,挖掘三项政策的共识、差异,以期为我国生成式人工智能教育应用的政策制定提供借鉴,推动其在教育领域的纵深发展和广度辐射,并提出五条实施进路:一是重塑教育蓝图,法规保障消除潜在隐患;二是强化监管体系,法律监管防范潜在风险;三是聚焦育人目标,不断提高教师数字胜任力;四是提升学生数字素养,落实人本主义理念;五是适配场景与对象,创新应用模式和方法。

护理硕士研究生使用人工智能生成内容工具体验的质性研究

目的了解护理硕士研究生使用人工智能生成内容(Artificial Intelligence Generated Content,AIGC)工具的真实体验,探索相关驱动和阻碍因素,为提高研究生的数智素养提供参考。方法采用描述性质性研究方法,于2024年2月—4月对14名护理硕士研究生进行半结构式访谈,将访谈录音转录成文本,运用主题分析法对访谈资料进行分析。结果共提炼3个主题:对AIGC工具产生浓厚兴趣,使用AIGC工具的获益感,使用AIGC工具的顾虑。结论护理硕士研究生拥抱和接受AIGC工具在其科研中发挥辅助作用,在促进自主学习、提升学术写作水平等方面获益,但信息可靠性、可获得性、安全隐患等构成使用AIGC工具的障碍,这些结果为护理教育者构建人工智能时代背景下提升护理研究生数智素养的教育策略提供了参考。

支持移动AIGC业务的边缘算力网络技术与安全性分析

随着泛在分布的移动终端逐步具备搭载人工智能生成内容(AIGC)应用的能力,移动AIGC业务将迎来快速增长。这一趋势使得当前依赖算力中心集中处理AIGC业务请求的计算范式出现明显不足,因此亟须探索能够满足泛在AIGC业务需求的新型算力供给方式。边缘算力网络可以在靠近用户处更快、更灵活地执行推理,并有效分散算力中心的计算压力。为此,文章探讨边缘算力网络给AIGC业务大规模应用带来的新机遇,并梳理其架构、技术优势与技术挑战。同时,注意到边缘算力节点天然的物理可接近性与弱防护特性,文章重点分析边缘算力网络给AIGC技术引入的安全挑战,旨在为未来AIGC技术的研究与应用提供新的视角。