感知不透明性增加职场中的算法厌恶

职场中用算法作为人类决策的辅助和替代屡见不鲜,但人们表现出算法厌恶。本研究通过4个递进实验在不同职场应用场景下比较了人们对于人类决策者与算法决策者所做决策的态度,并探讨其内在机制和边界条件。结果发现:在职场情境中,相比于人类决策者,人们对算法决策的可容许性、喜爱程度、利用意愿更低,表现出“算法厌恶”。这一现象的内在心理机制是相比于人类决策,人们认为算法决策者的决策更加不透明(实验2～3)。进一步研究发现,当算法被赋予拟人化特征时人们扭转了对算法决策的厌恶,提高了对其的接纳态度(实验4)。研究结果有助于更好地理解人们对算法决策的反应,为推动社会治理智能化、引导算法使用伦理化提供启示。     

艺术与科学的和谐表现——分形艺术在信息艺术设计中的应用

计算机技术的发明孕育了一种崭新的艺术形式即信息艺术,它为艺术创作提供了一种全新的方式和多维的向度,是真正意义上的科学与艺术握手的结果.而"分形艺术"-信息艺术宽阔海洋中的一个小点以一种全新的艺术风格展示给人们,使人们认识到该艺术和传统艺术一样具有和谐、对称等特征的美学标准.同时,"分形艺术"的生命力也非常强大,应用越来越广泛.     

多维项目反应理论：参数估计及其在心理测验中的应用

本研究介绍并引进了现代测量理论中的前沿技术—— 多维项目反应理论, 采用MCMC算法实现了其参数估计; 并将MIRT应用于瑞文高级推理测验, 以探讨MIRT在心理测验中的具体应用。研究结果表明：(1)本研究自主编制的MIRT参数估计程序基本可行, 其估计的精度与国外研究结论相当甚至更好。(2)在测验维度和样本容量两因素完全随机实验设计下(2×3), 随着被试和题目样本容量的增加, MIRT参数估计的精度越高且估计的稳定性越强; 但随着测验维度的增加, MIRT参数估计精度和稳定性均随之降低。(3)MIRT对心理测验的分析比UIRT能提供更为精确和细致的信息。它对心理测验的编制、开发及评价具有重要的指导和参考价值, 值得引进及借鉴。     

人工智能发展中的“智能透明”问题

在人工智能发展的伦理规制中,透明原则是其他伦理原则的前提性基础。在专用人工智能发展阶段,透明原则规制的合理性勿庸置疑。但当人工智能向通用化发展,对于自主进化的智能算法,透明原则就不仅不再合理,而且会逐渐进入一个实践困境。作为通用人工智能研究的内在要求,通用机器智能发展的透明原则隐含着某种内在的悖理性：智能的通用化意味着自主进化,而智能的自主进化则意味着走向不透明。当然,这一内在悖理性并不意味着人工智能通用化发展的“死结”,而是解释和诠释内在关联的人工智能发展呈现。它意味着人工智能伦理维度的更高层次,意味着智能算法发展过程中算法伦理诠释学理解的必要性。人工智能发展中的“智能透明”问题集中体现了这一点,其理解进路和解决之道就在于,随着智能算法自主性的发展不断纵深引入诠释机制,构成更高层次的双向循环理解过程。     

寻求者的注视方向对建议者建议提出的影响

基于信号理论, 研究采用3个依次递进的实验, 分别以大学生群体和在职员工为被试, 探讨了建议寻求者的注视方向对建议者建议提出意愿的影响。结果发现：(1)当建议寻求者的注视方向为正视时, 能够促进建议者提出建议的意愿, 建议者感知到的角色期待在其中起到了中介作用。(2)当建议者的拒绝敏感性高时, 寻求者的注视方向对建议提出意愿有显著影响; 当建议者的拒绝敏感性低时, 这种影响减弱或消失; 此外, 拒绝敏感性也调节了角色期待感知的中介效应。     

青少年抑制控制与同伴拒绝:身体攻击、关系攻击的中介作用

选取1589名青少年(平均年龄15.22±0.36岁)为被试,考察身体攻击、关系攻击在抑制控制与同伴拒绝间的中介作用。结果发现,(1)抑制控制与身体攻击、关系攻击、同伴拒绝之间均存在显著负相关,身体攻击、关系攻击与同伴拒绝之间存在显著正相关;(2)身体、关系攻击在抑制控制与同伴拒绝之间发挥中介作用;相比关系攻击,身体攻击的中介效应更强。该结果表明抑制控制对于同伴拒绝的作用既存在直接效应,又可通过身体攻击、关系攻击的中介效应实现,身体攻击、关系攻击的中介效应存在差异。     

应用决策树探讨中国当代大学生情感素质下属各情感的相互关系

为深入了解大学生情感素质及其下属情感的相互关系,本文在已有全国大学生情感素质调查的基础上,利用决策树算法对大学生的情感素质及其下属情感(道德情感、生活情感、情绪智力)进行预测分类。结果表明:(1)决策树可以有效地对大学生情感素质下属各情感进行预测分类;(2)按属性重要性提取规则,道德情感对情感素质影响最大,生活情感次之;责任感对道德情感影响较大;自强感对生活情感有较强影响;理解他人情绪能力对情绪智力的影响较大。     

分离型的多级评分认知诊断模型开发及其应用研究

本文基于DINO模型开发出一种分离型的多级评分认知诊断模型(P-DINO模型),并采用Monte Carlo模拟与实证研究相结合的范式,探讨了新模型的性能与有效性。结果表明:(1)P-DINO模型参数估计精度较好,参数估计的稳健性较强。(2)采用MCMC算法可以实现该模型的参数估计,估计结果较理想。(3)测验长度的增加能有效提高模型的判准率,被试人数的增加对判准率的提高相对较小,属性个数的增加会降低判准率。(4)在抑郁症状评估中,P-DINO模型的表现要优于DINO模型与传统的抑郁症状评估。     

HO-GDINA模型的EM算法参数估计

Generalized DINA Model(G-DINA)为认知诊断模型提供了一个一般性的理论框架,而高阶诊断模型不仅能描述被试的总体水平,还能描述被试对属性的掌握情况(微观的认知状态)以及被试掌握属性与能力的关系,提供更丰富的信息。如果能把这两者结合起来,可能对实际诊断工作的操作有较大帮助。文章首先对考虑高阶结构的整合性模型——HO-GDINA模型的形式进行讨论,探讨其参数估计EM算法的实现,并用模拟过程对模型的估计精度进行研究,结果验证了HO-GDINA的EM算法的正确性,并且说明该算法对该模型有较高估计精确度。然后用饱和模型在约束条件下的特殊形式HO-DINA模型对"分数减法"这一经典数据进行EM算法参数估计和具体分析,展示了HO-GDINA在实际情况中的具体使用,并与de la Torre之前用MCMC估计算法得到的研究结果做比较,基本一致,进一步表明HO-GDINA模型的参数估计EM算法在实际情境中的特殊形式下仍然适用。