User Experience (UX) design has always been about one thing: making digital products easy, enjoyable, and valuable for users. But in 2025, that mission is being supercharged by Artificial...

本研究比较了五种大型语言模型（Claude、DeepSeek、GPT、LLaMA和Mistral）在可持续性决策中的偏差和看法，发现它们在AI与可持续性兼容性及责任归属方面存在显著差异，这对技术治理具有重要影响。

本研究探讨了伦理理论与生成性人工智能在可视化方面的不足，提出了视觉伦理的新领域。通过对10位专家的访谈，将五类伦理理论转化为图像，揭示了道德、社会与学习之间的关系，为生成模型的批判性分析提供了启示。

本研究探讨了因果推断与可解释人工智能中反事实的使用差异，提出了反事实的正式定义，并分析了其在这两个领域的应用，促进了CI与XAI的融合。

本研究探讨了生成性人工智能在中国工程教育中的应用，分析了其对学生学习体验的积极影响，包括学习效率、创造力和独立思维。同时指出了在学术表现和准确性方面的挑战，并提出了有效整合生成性AI的建议。

本研究探讨了金融科技行业中大型语言模型（如ChatGPT）的应用，填补了监管领域的研究空白。结果表明，专家对其潜力持积极态度，但在监管环境下的监督和实施仍存在疑虑，丰富了相关学术讨论。

本研究探讨了可解释人工智能（AI）的最新进展，重点关注提升AI算法透明度的伦理因素和技术手段。可解释性与自主系统元推理之间存在紧密联系，这将推动未来可解释AI系统的发展。

本研究提出了将增强人工智能（EAI）作为实现通用人工智能（AGI）的基础方法，分析了其四个核心模块：感知、智能决策、行动和反馈。EAI通过动态学习和环境互动，帮助缩小狭义人工智能与AGI之间的差距。

本文探讨了多智能体具身人工智能的进展与未来方向，强调智能体在复杂动态环境中协作的重要性。研究提出系统性综述方法，分析关键进展、挑战及未来发展，以推动该领域的创新。深入理解多智能体系统是实现高效应用的关键。

本研究提出将人工智能会议的单向评审改为双向反馈循环，以提升审稿质量和责任感。通过建立奖励机制，鼓励审稿人进行高质量审稿，促进可持续的同行评审体系发展。

本研究提出了一种以认识性人工智能为核心的新方法，旨在增强AI在复杂环境中的鲁棒性，解决其在处理不确定性和超越训练数据方面的不足。

本研究提出PNN-UNet方法，通过模拟平面神经网络结构处理三维医学图像数据，解决了分割准确性不足的问题。PNN-UNet结合深度UNet和广度UNet结构，性能优于传统UNet，尤其在三维MRI海马体数据集上表现突出，具有显著应用潜力。

本研究提出了一种结合人工库拉莫托振荡神经元与阈值单元的耦合机制，阐明了两者在神经编码中的不同功能，成功实现了Hopfield-库拉莫托关联记忆模型，展现出在大语言模型微调中的优化潜力。

本研究提出BAM模型，探讨人类在认知任务和日常生活中的决策变异性。结合神经网络与行为实验，研究表明该框架能有效预测和操控参与者的感知决策变异，为个性化分析提供新工具。

本研究提出了人工行为智能（ABI）技术框架，旨在理解和预测人类行为。通过预训练大模型和多模态集成模型，显著提高了行为识别的准确性与可解释性，并分析了实际应用中的挑战，为复杂行为推断提供新思路。

本研究分析了传统云安全在实时检测复杂威胁中的不足，提出利用机器学习和行为驱动的检测方法来增强云安全，同时强调数据隐私和合规性问题。