此研究论文通过基于代理的建模与模拟探讨日常移动选择,结果表明日常移动选择存在多种偏见影响,进而提出了基于 GAMA 的代理模拟实现。
Feb, 2024
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差,在人机协作中扮演更加重要的角色,并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域,并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
Oct, 2022
本文提出了一种创新方法,通过建模和不平衡评估工具的组合,来解决与危机管理相关的移民危机问题。通过利用深度学习进行预测,并通过贝叶斯网络集成因果推理,此方法使得能够评估社会技术景观中的不平衡和风险,为明智的决策提供了重要见解。通过这个框架,可以分析关键系统,了解移民水平的波动如何影响它们,从而促进有效的危机治理策略。
Nov, 2023
这篇文章研究了采用包含最新的人类感知、决策 - making 和运动控制理论的新颖认知似然模型 --Commotions 模型用于预测人类在交通互动中的行为,展示了此模型在自然情景数据集中与数据驱动模型相竞争甚至胜出,证明了吸纳认知理论在自动驾驶行为预测模型中的巨大潜力。
May, 2023
通过用户研究自然化次要任务的数据,我们提出使用根据驾驶员心理负荷自适应变化的车载 HMIs 来减少由 HMIs 引起的人为干扰,并避免车祸的发生。
通过地图搜索日志模拟环保交通模式选择的有效性,并将交通模式选择视为组合优化问题,考虑 CO2 和平均旅行时间的约束条件,优化结果表明,CO2 排放总量可以减少 9.23%,而平均旅行时间实际上可以减少 9.96%。
Sep, 2021
通过高保真计算机模拟和贝叶斯参数搜索,诊断机器学习模型中的偏倚问题,特别是面部识别商业 API 中的人口统计学偏见。
Sep, 2018
本研究提出了以行为启发式为基础的新认知科学方法,该方法可以较好地预测步行者的运动轨迹和集体运动模式,进而为人类群体和生物群体的更逼真建模提供了可能,并为自主机器人的导航提供了改进。
May, 2011
使用机器学习和深度学习技术,从路上的驾驶行为数据中估计驾驶员的心理特征,建立具有自适应能力的驾驶辅助系统,研究结果表明,我们的模型能够以高准确度预测心理驾驶风格和负荷敏感度等特征,而不同持续时间的分割对准确性的影响因特征而异。
Feb, 2023
讨论机器学习模型的可解释性应当从认知科学的角度考虑,并探讨认知偏差对于人类理解基于数据挖掘发现的逻辑规则的可解释机器学习模型的影响,提出算法设计师可以采取的去偏执技巧。该综述旨在弥合认知心理学和机器学习之间的差距,但需要进一步关注机器学习领域的系列实证研究。
Apr, 2018