科学素养 – upcareer学院 https://deepsyche.xin 人文艺术与科学技术跨学科能力提升在线课程 Sat, 07 Jun 2025 03:51:12 +0000 zh-Hans hourly 1 https://wordpress.org/?v=6.9.4 https://deepsyche.xin/wp-content/uploads/2025/04/cropped-20250420205825590-32x32.png 科学素养 – upcareer学院 https://deepsyche.xin 32 32 未来社会生存场景：人机交互设计指南 https://deepsyche.xin/%e6%9c%aa%e6%9d%a5%e7%a4%be%e4%bc%9a%e7%94%9f%e5%ad%98%e5%9c%ba%e6%99%af%ef%bc%9a%e4%ba%ba%e6%9c%ba%e4%ba%a4%e4%ba%92%e8%ae%be%e8%ae%a1%e6%8c%87%e5%8d%97/ https://deepsyche.xin/%e6%9c%aa%e6%9d%a5%e7%a4%be%e4%bc%9a%e7%94%9f%e5%ad%98%e5%9c%ba%e6%99%af%ef%bc%9a%e4%ba%ba%e6%9c%ba%e4%ba%a4%e4%ba%92%e8%ae%be%e8%ae%a1%e6%8c%87%e5%8d%97/#comments Sat, 07 Jun 2025 03:43:46 +0000 https://deepsyche.xin/?p=6312 人机交互 (HCI) ——计算机科学与行为科学的交叉领域——该领域涉及人（用户）与计算机之间交互的研究、规划和设计。人机交互至关重要，因为设计不良的人机界面可能会导致许多意想不到的问题。

人机交互包括以下内容：

  • 人机交互是科学的一个领域——以可解释的预测的形式构建和组织有关宇宙的知识的系统性事业。1、计算机应用科学领域。

    2、工程学领域。将系统的、规范的、可量化的方法应用于软件的设计、开发、运行和维护

    3、社会科学领域。对人类和动物的行为进行系统分析和研究。

  • 人机交互是一种系统——一组相互作用或相互依赖的组件，形成一个整体或一组元素（通常称为“组件”），其关系不同于集合或其元素与其他元素或集合的关系。
  • 人机交互是技术的一种类型——指制造、改造、使用工具、机器、技术、工艺、系统和组织方法，并了解其相关知识，用于解决问题、改进现有解决方案、实现目标、处理应用的输入/输出关系或执行特定功能。也可以指此类工具、机械、改造、安排和程序的集合，影响人类以及其他动物物种控制和适应自然环境的能力。

人机交互风格类型包括：

  • 命令行界面
  • 图形用户界面(GUI)
  • 复制粘贴、剪切粘贴
  • 单文档界面、多文档界面、选项卡式文档界面
  • 图形用户界面元素
  • 指针
  • 小部件（计算）
  • 图标
  • WIMP（计算）
  • 点击
  • 拖放
  • 窗口管理器
  • WYSIWYG（所见即所得）
  • 缩放用户界面（ZUI）
  • 链接
  • 基于交叉的接口
  • 对话用户界面
  • 语音计算

人机交互涉及以下领域：

  • 心理学人类记忆

    人类感知

  • 社会学和社会心理学
  • 认知科学
  • 人为因素/认知人体工程学/物理人体工程学
  • 计算机科学计算机图形学

    人工智能

    计算机视觉

  • 可视化信息可视化

    科学可视化

    知识可视化

  • 设计工业设计

    平面设计与美学

    信息设计

    交互设计

    以流程为中心的设计

    声音交互设计

  • 交互艺术与人机交互
  • 图书情报学、情报学
  • 信息安全超融合安全
  • 言语语言病理学
  • 个人信息管理
  • 现象学

人机交互的一般概念：

  • 可访问性和计算机可访问性
  • 自适应自主
  • 可供性
  • 计算机用户满意度
  • 情境设计和情境探究
  • 评价鸿沟
  • 执行鸿沟
  • 习惯化
  • 人类行为周期
  • 人机接口设备
  • 人机界面
  • 交互技术
  • 外观和感觉
  • 模式（用户界面）
  • 生理相互作用
  • 渐进式披露
  • 声音交互设计
  • 透明度
  • 可用性和可用性测试
  • 用户
  • 用户体验和用户体验设计
  • 用户友好性
  • 用户界面和用户界面设计
  • 用户界面工程和可用性工程
  • 人机信息检索
  • 多媒体
  • 软件代理
  • 通用性
  • 用户体验设计
  • 可视化编程语言。
  • 知识性
]]> https://deepsyche.xin/%e6%9c%aa%e6%9d%a5%e7%a4%be%e4%bc%9a%e7%94%9f%e5%ad%98%e5%9c%ba%e6%99%af%ef%bc%9a%e4%ba%ba%e6%9c%ba%e4%ba%a4%e4%ba%92%e8%ae%be%e8%ae%a1%e6%8c%87%e5%8d%97/feed/ 1 特征提取 https://deepsyche.xin/%e7%89%b9%e5%be%81%e6%8f%90%e5%8f%96/ https://deepsyche.xin/%e7%89%b9%e5%be%81%e6%8f%90%e5%8f%96/#respond Thu, 22 May 2025 05:12:47 +0000 https://deepsyche.xin/?p=6276       特征提取是机器学习和数据分析中的一个过程，涉及从原始数据中识别和提取相关特征。这些特征随后用于创建更具信息量的数据集，可进一步用于各种任务，例如：

  • 分类
  • 预测
  • 聚类

特征提取旨在降低数据复杂度（“数据维度”），同时尽可能多地保留相关信息。有助于提高机器学习算法的性能和效率，并简化分析过程。特征提取可能涉及创建新特征（“特征工程”）和数据操作，分离并简化有意义特征与不相关特征的使用。

什么是特征？

特征是记录数据集中可测量的单个属性。在机器学习和统计学中，特征通常被称为“变量”或“属性”。相关特征与模型的用例具有关联性或相关性。在患者医疗数据集中，特征可以是年龄、性别、血压、胆固醇水平以及其他与患者相关的可观察到的特征。

为什么特征提取很重要？

特征提取在许多实际应用中起着至关重要的作用。例如，图像和语音识别、预测建模以及自然语言处理 (NLP) 等过程都离不开特征提取。在这些场景中，原始数据可能包含许多不相关或冗余的特征。这使得算法难以准确地处理数据。

通过特征提取，相关特征被从不相关特征中分离出来（“提取”）。处理的特征越少，数据集就越简单，分析的准确性和效率也就越高。

常见特征类型：

数字：数值类型（int、float 等）的值。例如：年龄、薪水、身高。

类别特征：可以取有限个值的特征。例如：性别（男、女、X）、颜色（红、蓝、绿）。

序数特征：具有明确顺序的分类特征。例如：T恤尺码（S、M、L、XL）。

二元特征：分类特征的一种特殊情况，只有两个类别。例如：is_smoker（是，否）、has_subscription（真，假）。

文本特征：包含文本数据的特征。文本数据通常需要特殊的预处理步骤（例如标记化）才能将其转换为适合机器学习模型的格式。

特征归一化

由于数据特征可以在不同的尺度上进行测量，因此通常需要对其进行标准化或规范化，尤其是在使用对变量的大小和尺度敏感的算法时（例如基于梯度下降的算法、k 均值聚类或支持向量机）。

归一化是指对数据中自变量或特征的范围进行标准化。此过程可以使某些算法收敛得更快，从而提高模型性能，特别是对于那些对输入特征规模敏感的算法。

特征规范化有以下作用：

尺度敏感性：较大尺度的特征可能会对结果产生不成比例的影响。

更佳性能：标准化可以确保每个特征的贡献与最终决策大致成比例，从而提升许多机器学习模型的性能。这对于优化算法尤其重要，因为它们可以利用标准化的特征更快地实现收敛。

然而，某些特征可能需要对结果产生更大的影响。此外，归一化可能会导致一些有用信息的丢失。因此，在特征提取过程中应用归一化时要谨慎。

常见的特征提取技术

特征提取有多种技术，每种技术都针对特定类型的数据和任务。以下是特征提取的一些实际用途：

自动编码器：自动编码器可以识别关键数据特征。自动编码器的概念在于从原始数据集的编码中学习，从而获得新的、更有效的特征。它通过训练神经网络来重建输入，迫使神经网络发现并利用数据中的结构来实现这一点。通过这一过程，自动编码器可以降低数据维度并从中提取重要特征，从而构建更高效的机器学习模型。

主成分分析 (PCA)：这种特征提取方法可以降低大型数据集的维数，同时保留最大信息量。主成分分析强调变化，并捕捉数据集中变量之间的重要模式和关系。

词袋模型 (BoW)：词袋模型是自然语言处理 (NLP) 中的一种有效技术，可以提取文本中使用的单词（即特征），并根据其使用频率进行分类。每个文档都对应一个词计数向量。机器学习算法随后将词计数作为输入。

这种方法将文本转换为易于分析的形式。然而，也意味着它会丢失关于顺序或结构的更细微的信息。

词频-逆文档频率 (TF-IDF)： TF-IDF 是 BoW 的扩展，是一种 NLP 特征提取技术，使用数值统计数据来反映某个词对文档集或语料库中某个文档的重要程度。与 BoW 相比，它不仅考虑某个词在单个文档中的频率，还考虑语料库中所有其他文档的频率，助于调整某些词通常出现频率更高的情况。

图像处理技术：图像处理技术涉及原始数据分析，以识别和分离图像中的重要特征或模式。涉及识别边缘和角落，或提取颜色、纹理和形状等特征，用于图像分类、目标检测和图像分割等任务。

]]> https://deepsyche.xin/%e7%89%b9%e5%be%81%e6%8f%90%e5%8f%96/feed/ 0 人工智能不会抢人类的工作——但使用人工智能的人会抢不使用人工智能的人的工作 https://deepsyche.xin/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e4%b8%8d%e4%bc%9a%e6%8a%a2%e4%ba%ba%e7%b1%bb%e7%9a%84%e5%b7%a5%e4%bd%9c-%e4%bd%86%e4%bd%bf%e7%94%a8%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e7%9a%84/ https://deepsyche.xin/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e4%b8%8d%e4%bc%9a%e6%8a%a2%e4%ba%ba%e7%b1%bb%e7%9a%84%e5%b7%a5%e4%bd%9c-%e4%bd%86%e4%bd%bf%e7%94%a8%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e7%9a%84/#respond Fri, 02 May 2025 16:30:50 +0000 https://deepsyche.xin/?p=5890 互联网大幅降低了信息传输的成本，人工智能也极大的将降低人的认知成本。
在20 世纪二三十年代，全球很多现代国际公司因人工智能、机器学习等技术而发生根本性变化。许多公司的整个业务架构，包括业务模式、如何创造价值、如何获取价值、运营模式、如何交付价值、如何实现范围、服务的客户数量、拥有的产品数量、规模、服务的客户数量以及学习业务架构的这些基本部分，都因为机器学习、人工智能和数字技术而被重新连接。
很多公司机器和算法已经处于核心地位，工作逐步自动化。人的作用变成设计、测试和检查算法，确保算法在规定范围内运行，实际的交易和活动则通过机器来协调完成。
未来，大多数公司别无选择，只能采用人工智能，将数字化融入核心业务，这种转变不可避免。对于不懂人工智能的人来说，转型的成本正在不断降低。因为技术与方法已经基本普及。真正的转型难度不是技术，技术转型只大约占30%。真正的转型难度是数字化三维，大约占70%。
对于普通人来说，无论通过通过什么学习形式，学习使用人工智能是在没有资源的情况下提升竞争力的最好方法。
而对于管理者，改变和改变管理已成为作为领导者和高管的必备技能。如何改变，如何持续改变，如何构建改变的DNA，这种技能将是重中之重。
目前，生成式人工智能意味着认知成本和思维方式的下降。如果说互联网是信息成本降至零，那么未来，认知成本、思维方式以及与谁一起思考的成本已经显著降低，或者已经降至零。

]]> https://deepsyche.xin/%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e4%b8%8d%e4%bc%9a%e6%8a%a2%e4%ba%ba%e7%b1%bb%e7%9a%84%e5%b7%a5%e4%bd%9c-%e4%bd%86%e4%bd%bf%e7%94%a8%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e7%9a%84/feed/ 0 为什么人文与科学，终将相遇？ https://deepsyche.xin/%e4%b8%ba%e4%bb%80%e4%b9%88%e4%ba%ba%e6%96%87%e4%b8%8e%e7%a7%91%e5%ad%a6%ef%bc%8c%e7%bb%88%e5%b0%86%e7%9b%b8%e9%81%87%ef%bc%9f/ https://deepsyche.xin/%e4%b8%ba%e4%bb%80%e4%b9%88%e4%ba%ba%e6%96%87%e4%b8%8e%e7%a7%91%e5%ad%a6%ef%bc%8c%e7%bb%88%e5%b0%86%e7%9b%b8%e9%81%87%ef%bc%9f/#respond Tue, 15 Apr 2025 09:47:29 +0000 https://deepsyche.xin/?p=33 在人类文明的长河中，科学与人文曾并肩而行。
但在今天的教育与现实语境中，它们却常被人为地划分成两个世界：

  • 理科是逻辑与实验，是精确与公式；

  • 文科是情感与表达，是历史与想象。

一个被认为“硬核”，一个被认为“柔软”。
但真相是：唯有两者融合，才能构成完整的现代素养。

🧠 科学素养告诉我们“如何知道”

科学素养，是对世界进行观察、验证、思考与质疑的能力。

它帮助我们：

  • 看懂数据背后的含义；

  • 辨别伪科学和信息误导；

  • 了解技术原理和社会变革的驱动力；

  • 在AI、基因工程、气候危机等议题上形成理性判断。

没有科学素养，我们难以在复杂的现实中做出明智选择，甚至可能被技术反噬。

❤ 人文素养告诉我们“为何关心”

人文素养，是对他人、历史、文化与自身存在的深刻体认。

它帮助我们：

  • 理解技术背后的伦理边界；

  • 在变化的时代保持价值判断与自我认同；

  • 探索意义，避免“技术空心化”的人生；

  • 理解多元文化，建立共情与对话能力。

没有人文素养，技术进步就容易沦为冷漠的效率游戏，缺乏温度与方向。

⚖ 为什么我们需要“两条腿走路”？

想象一个只有技术思维的世界——
可能效率极高，却冷漠、机械、缺乏反思。

再想象一个只有人文想象的世界——
可能充满理想与关怀，却无力解决现实问题。

现代社会最棘手的问题，正是两者交织的结果：

  • AI是否该有情感与道德边界？

  • 环境保护与经济发展的平衡如何拿捏？

  • 个人数据的科学价值与隐私权如何共存？

  • 教育到底培养“工具人”还是“完整的人”？

这些问题，光靠科学无法解答，光靠人文也无法落地。

🌍 人文+科学，是下一代的核心素养

  • 在教育上，孩子需要既能做实验，也能讲故事；

  • 在科研上，技术人员需要懂哲学、法律与社会责任；

  • 在生活中，我们每一个人都需要做出兼顾理性与价值的选择。

科学拓宽了人类的“能为”；人文决定了我们“该为”什么。

融合，不是妥协，而是未来的方向

在信息爆炸、人工智能迅速发展的今天，
最稀缺的能力，不是单一的深度，而是跨界的理解力与连接力。

正如C.P.斯诺所说：

“现代社会最大的悲剧是两种文化的割裂——科学文化与人文文化。”

让我们重新架起这座桥梁，
在理性与情感之间，
在逻辑与美感之间，
构建起一个既有温度，又有智慧的未来。

]]> https://deepsyche.xin/%e4%b8%ba%e4%bb%80%e4%b9%88%e4%ba%ba%e6%96%87%e4%b8%8e%e7%a7%91%e5%ad%a6%ef%bc%8c%e7%bb%88%e5%b0%86%e7%9b%b8%e9%81%87%ef%bc%9f/feed/ 0