鼠标的未来是手环？一周只上四天班，提升员工幸福感；古铭文读不懂？AI助手来了 | 一周论文新鲜读

7.28

本周值得读

来自《自然》旗下期刊的新近发表，我们为您精选呈现。

1. 四天工作制提升员工幸福感

2. AI对拉丁铭文的修复和语境化

3. 能将手势转换成计算机指令的手环

社会科学 | 四天工作制提升员工幸福感

Work time reduction via a 4-day workweek finds improvements in workers’ well-being

Nature Human Behaviour

《自然-人类行为》的一篇论文报告，不减少收入的情况下，每周工作四天能增进员工工作满意度和身心健康，这得益于工作效率提升、疲劳度降低和睡眠问题减少。这些发现凸显出组织和政策制定者通过重新评估工作时长来改善员工福祉的潜力。 

减少工作时长的举措，如6小时工作日或减少20%工作时长，近期在全球范围内进行了试点。例如，“全球四天工作制”（4 Day Week Global）倡议在多国进行试验，有约375家公司参与，旨在探索缩短工作周（而不减薪）如何营造更佳工作环境。 

为测试四天工作制（不减薪）干预的效果，范雯、Juliet Schor和同事开展了为期6个月的试验，涉及澳大利亚、加拿大、新西兰、英国、爱尔兰和美国141家组织的2896名雇员。利用调查数据，他们比较了干预前后的工作和健康相关指标（包括职业倦怠、工作满意度、心理和身体健康）。他们还将结果与另外12个没有尝试该措施的公司的285名雇员作了比较。 

美国波士顿学院的范雯和同事发现，在采取4天工作制以后，平均每周工作时间减少了5小时。和继续每周工作5天的公司员工相比，每周工作时间减少8小时或以上的员工，自我报告倦怠感降低，工作满意度和精神健康改善。同样的效应在每周工作时长减少1-4小时和5-7小时的员工身上也被观察到，尽管效果相对较小。这些获益可以部分归因于睡眠问题减少、疲劳程度降低，以及个人工作能力提升。 

作者认为，不减薪缩短工作周和减少工作时长有助于提升工作满意度和员工健康。他们提出，这项研究的一个重要局限是，企业是自愿参与的，导致样本主要由英语国家较小规模企业组成。他们呼吁未来展开减少工作时长的随机对照研究，或可由政府资助试验。 

考古学 | AI对拉丁铭文的修复和语境化

Contextualizing ancient texts with generative neural networks

Nature

《自然》报道了一个基于人工智能（AI）的工具，该工具能预测罗马时期拉丁铭文的缺失部分。该工具名为“埃涅阿斯”（Aeneas），能寻找铭文与其他文本的关系，帮助历史学家确定文本语境。 

据估计，每年发现的拉丁铭文在1500份左右，这些铭文或能揭示罗马帝国的文化和语言生活。不过，词句有时会在时间长河中丢失。修复这些文本并确定它们的准确地理位置和时间线，要求历史学家通过寻找其与其他文本的相似处，将它们置于更广泛的语言和历史背景中。这种语境化任务通常很耗时而且高度专业化，要求对各个时期都有深入了解。 

英国谷歌DeepMind的Yannis Assael、Thea Sommerschield和同事报道了Aeneas，这是一个能确定古代文本语境的神经网络。这种工具能预测缺失的文本，即使文本长度并不确定，而且能建议语境和文本相似性。Aeneas还拥有在思考中包含视觉想象的功能。为了评估该网络的潜力，作者开展了一项与23名历史学家的合作研究，在现实世界研究情景中使用该模型评估从公元前7世纪到公元8世纪的铭文。历史学家称，Aeneas提供的语境建议在90%的情况下是有用的，并将关键任务的置信度提高了44%。在修复和地理归因任务中，历史学家与Aeneas组队比历史学家或AI单独完成的结果更好。Aeneas还能在13年的范围里进行年代估算。 

作者认为，Aeneas代表了一种能辅助历史学家并扩展我们对过去认知的变革性工具。 

技术 | 能将手势转换成计算机指令的手环

A generic non-invasive neuromotor interface for human-computer interaction

Nature

《自然》报道的一款手腕佩戴装置，能让用户通过手写动作这类手势与计算机进行交互。这种装置能将手腕处肌肉运动产生的电信号转换成计算机指令，同时无需个性化校准或侵入性手术。该结果或让人类与计算机的交互更丝滑，扩大可及性规模。 

人类与计算机和手机这类技术装置的传统交互方式，需要使用键盘、鼠标和触屏这类输入设备进行直接接触。这类交互具有局限性，尤其是在“移动场景”（on-the-go）下。 

来自Meta现实实验室（Reality Labs）的一支团队在Patrick Kaifosh和Thomas Reardon的领导下，利用数千名受试者的训练数据开发了一个高灵敏度手环，能探测手腕处肌肉的电信号并将其转换成计算机信号。作者随后利用深度学习创建了泛型解码模型，该模型无需个体校准就能准确翻译不同的用户输入。与其他深度学习域一致，该解码模型的性能表现出尺度定律，即性能随模型架构扩大和数据增加而优化。作者还展示了如果根据特定个体数据进行个性化，性能就可进一步提升。综上，尺度定律和个性化的结果为打造具有广泛应用的高性能生物信号解码器指明了方向。 

该装置利用蓝牙接收器与计算机进行通讯，能识别实时手势，实现对一系列计算机交互的省力操控。这些操控可用于完成虚拟导航和选择任务，以及每分钟20.9个单词的手写文本输入（手机键盘打字速度平均为每分钟36个单词）。 

作者指出，他们的神经运动手环为身体机能各异的人士提供了一种可穿戴的计算机通讯方式。神经运动接口很适合进一步研究，以探索该技术的可及性应用，如改善行动力下降、肌无力、手指截肢、瘫痪等人群与计算机的交互。为推动今后对表面肌电信号（sEMG）和表面肌电信号模拟在更大群体中的研究，该现实实验室团队在论文中公开发布了一个数据库，其中包含来自300受试者对全部三项任务的逾100小时的表面肌电信号记录。 

文章读完了，留个comment哇！

亲爱的读者们，你支持四天工作制吗？在评论区留下您的看法吧！