机器核心报告的编辑：Zhang Qian，+0最近，已正式宣布了新的ACM博士学位论文奖。该奖项是在计算机科学和工程学的最佳博士学位论文中颁发的。今年，该奖项已于2024年颁发，其中包括博士学位论文奖和两个博士学位论文奖荣誉提名。赢得博士学位论文奖的论文非常实用。研究：当今的心理健康问题越来越多，但是没有足够的心理专业人员。我应该怎么办？我们知道，在像DeepSeek这样的AI模型变得流行后，许多人将AI视为心理学家。但是很多时候，AI并没有像真正的心理治疗师那样提供专业指南。也许“人机合作”是一条更现实的折衷路线。在纸上，作者探索了Ashish Sharma奖的各种方法来实现更好的人机合作。他的方法类似于：将教练分配给自愿EERS：允许更多的普通人提供有效的心理支持；向用户提供用户：制作自我掌管的心理工具更容易使用； AI主管的分配：确保心理辅导员的质量。他最近开发的AI-Assist的心理健康工具已被16万名用户公开发布和使用，其中大多数是低收入人士。使用这些工具的家庭中，超过50％的家庭每年收入低于40,000美元。除本文外，还获得了两篇论文，获得了博士学位论文奖的荣誉奖。 ToreSearch的一个问题是“使用伪随机分布来揭示低复合计算模型的自然计算限制”；其他重点是“他们在实践中学到的大量文本数据的语言模型有多大。”以下是获奖论文奖的详细信息。 ACM博士学位论文奖的获奖者：Ashish Sharma（在学习博士学位时完成了论文t the University of Washington, which is currently a senior applied scientist at Microsoft Office of Applied Research) Paper Title: Human-Ai Collaboration to Support Mental Health and Well-Being Paper Link: https://digital.lib.washington.edu/researchworks/items/2007a024-6383-4B15-b2C8-F979865558500 While mental health problems compress the whole世界，卫生保健系统致力于为所有人提供可访问和高质量的NA心理保健。尽管医疗保健可以支持面临心理健康挑战的人们，但诸如诊所和污名不足之类的障碍通常限制人们获得治疗的机会。在论文中，作者评估了人力计算机合作如何改善心理健康支持的访问和质量。首先，他研究了人机机器合作如何帮助人们进行有效和高质量的对话。特别是，他在在线同行支持平台上跟随Reddit和Talklefemga支持者。支持者有动力和友善的帮助那些寻求支持的人，他们常常缺乏培训，并且不了解促进有效支持的基本心理治疗技能，例如Empaaunt。通过基于增强的研究策略，他通过对最大同伴支持平台的300个同伴支持者进行随机测试进行了审查，他表明，基于AI的反馈将帮助支持者在对话中更有效地表达同理心。其次，他研究了人力计算机合作如何使参加和参与的自我健康干预措施变得更加容易，从而增强了寻求支持的人的能力。自我指导的干预措施，例如用于研究和培训应对技巧的“自助”工具，通常是认知需求和情感触发器，它们创建了访问障碍，从而限制了它们的大规模实施和采用。在此案中，使用认知重建负面思想作为研究，对大型心理健康网站上的15,531名参与者进行了随机测试。结果表明，人类计算机的合作支持人们克服负面思想，并在过程中提供有关心理理论的信息。第三，作者系统地回顾了人机合作系统的心理健康支持系统。尽管对使用AI进行心理健康支持有很大的兴趣，但缺乏评估有效性，质量，公平性和安全性的方法。他研究了如何通过临床试验有效评估与传统方法相比，心理干预措施的短期/长期有效性，公平性和安全性。此外，他开发了一个计算框架，该计算框架会自动评估大型语言模型（LLM）作为治疗师时的性能。通过检查13种不同的心理治疗技术，他比较了LLM治疗师具有高质量和低质量人类治疗师的行为。分析表明，LLM往往与低质量的治疗师为例，当客户确认自己的情绪时，他们就会提供有关解决问题的建议，这种做法显然违反了常规的治疗指南。在论文中，作者描述了他开发的两个人机合作系统，该系统支持心理健康和福祉，以及对此类系统的Bexercise分析。这项研究允许与AI合作，帮助需要心理支持以掌握应对技能的人，并帮助专业人员提高教练技能。 ACM博士学位论文奖荣誉提名人1冠军：亚历山大（Zander）Kelley（伊利诺伊大学和香槟大学的电话学位）纸张标题：清晰的伪随机分布限制计算纸质模型：https：//wwww.ideals.illinois.illinois.illinois.illinois.illinois/items/132651限制的特定模型：在某些计算活动中，学位模型的情况根本无法完成（甚至完成）？回答这个问题是解决复杂性理论中一些主要未解决问题的必要步骤（例如“与NP问题相比P相比”和“与BPP问题相比”）。在许多应用程序中，尤其是在密码学领域中，我们需要一个稳定的计算限制，也就是说，有一个特定的任务会产生任何受到低复杂性限制的算法，甚至无法成功，甚至进行可靠的预测。本文研究的主题是伪随机分布（对于低复合模型），该工具提供了一种特别清晰的方法来证明计算限制。所谓的伪随机分布是指可以很好地开发的可能性的分布，其样品与没有低复杂性测试功能的某些“非目标样本”相似，可以可靠地识别它们。本文中研究的伪随机分布来自我们的构造离子和一系列工作的审查，结果确定了特定计算模型的稳定限制。这些模型包括：（任意顺序）读取一次性程序：计算有一些小算法的空间算法；用于研究主要受到通信瓶颈的Thossystem的计算模型。论文2获奖者：塞顿敏（Washing of Washington of Washington，即将在UC Berkeley担任助理教授的博士学位）纸张标题：使用大语言模型中的使用数据链接链接： https://digital.lib.washington.edu/server/api/core/bitsstreams/76FBF5F7-b608-42A5-A513-A7C0218579F1/content Large language models such as chatgpt has changed natural language processing and the broader field of artistic arts.在本文中，May -set讨论了他在理解和推进这些模型的研究中如何使用用于培训的超大文本语料库的过程。首先，作者描述了我们为了解这一点的努力E模型在培训后学习执行新任务，证明青年呼叫上下文学习能力几乎取决于他们从培训数据中学到的知识。接下来，May -set推出了一种新型的语言模型-nonparametric）语言模型，该模型将培训数据作为数据存储，以获取信息以提高准确性和更新。作者描述了开发此类模型基础的工作，包括最早使用的神经搜索模型之一，以及一种在一个阶段简化管道的传统两个阶段的技术。那些规定非参数模型如何打开负责任数据使用的新方法的人，例如，将许可文本区分开并以不同的方式使用它们。最后，可能会设置下一个吉利特人是我们应该构建的语言模型的语言，重点是巨大的扩展，改善实现和权力下放。参考链接：https：//awards.acm.org/doctoral-dissertation
