本文介绍了评估大型语言模型（LLMs）认知能力的研究方法和常见问题，并提出了设计高质量人工智能系统认知评估的指导方针。讨论了提示的敏感性、文化和语言多样性、使用LLMs作为研究助理以及对开放和封闭LLMs进行评估。该研究旨在为AI心理学领域的最佳实践做出贡献。

选择易于使用、具备所需功能的社区平台，制定明确的指导方针和行为准则，为每个人创造安全和包容的空间。开发者渴望知识，分享教程、代码示例和幕后见解，提供价值。通过提问和讨论引发对话，给予超级投入的成员特别关注。使用工具分析社区数据，改进策略。

通过构建 12 个合成数据集并评估 8 种不同的数据增强方法，本研究提出了一种基于数据集特征的趋势季节性增强推荐算法，能够准确地识别给定时间序列数据的有效增强方法，并在广泛的应用中实现了平均召回率为 0.667 的表现优于基线的结果。

本文提出了一种新的三元文本分类方案，包括“未决”类别，并强调了该类别对于文本检测的可解释性的重要性。研究还提出了改进解释能力的检测系统的指导方针。

本文讨论了人工智能在空间和环境科学领域的应用、机遇和风险，并提出了六个指导方针以建立信任。文章强调了数据偏见和模型解释的重要性，并呼吁建立伙伴关系和持续支持数据整理和监管。最后，文章提到了中国两会代表对人工智能的看法和建议。