XiaoMi-AI文件搜索系统
World File Search System两种
Mitsui-Soko Holdings获得了生产再生医学产品的许可，并在日本东部和西部建立了两种基础结构
在2021年1月，我们在关东地区的高功能设施3获得了生产再生医学产品的许可。自同年8月以来，我们一直为主要制药公司和其他参与再生医学的实体提供服务4。建立在关东地区开发的专业知识的建设，我们在位于Hyogo的Kobe的Kansai P＆M中心建立了一个专门的空间。该设施配备了符合GCTP标准的组织和设备，我们已经成功获得了业务许可证。
AI存在的两种类型的存在风险：决定性和累积
关于AI典型的生存风险（X风险）的传统论述集中在突然的，由先进的AI系统引起的严重事件，尤其是那些可能实现或超过人级的英特尔省的系统。这些事件具有严重的后果，可以导致人类的灭绝或不可逆转地削弱人类文明，以至于无法恢复。但是，这种话语通常忽略了AI X风险通过一系列较小但相互联系的破坏逐渐表现出来的严重可能性，随着时间的流逝，逐渐越过关键阈值。本文将常规的决定性AI X风险假设与累积的AI X风险假设进行了对比。虽然前者设想了以场景为特征的明显的AI接管途径，例如iOS，例如无法控制的超智能，但后者提出了一种存在生存灾难的因果途径。这涉及逐步积累关键的AI引起的威胁，例如严重的脆弱性和对经济和政治结构的全身侵蚀。累积假设表明一种沸腾的青蛙情景，其中内部AI风险慢慢融合，破坏了社会的弹性，直到触发事件导致不可逆的崩溃。通过系统分析，本文研究了这两个假设的不同假设。随后认为，累积观点可以调和对AI风险的看似不相容的观点。讨论了这些因果途径之间区分这些因果途径的含义 - 决定性和累积性对AI的治理以及长期AI安全性的含义。
Reekeekee 病毒和 roodoodoo 病毒，是两种不同的 Microviridae 进化枝，由最小的 DNA 噬菌体构成
微病毒科 (Microviridae) 的小型环状单链 DNA 病毒在所有生态系统中都很普遍且多样。它们的基因组通常介于 4.3 到 6.3 kb 之间，最近从海洋 Alphaproteobacteria 中分离出的一种微病毒是已知的最小 DNA 噬菌体基因组（4.248 kb）。有人提出用一个亚科——Amoyvirinae——来对这种病毒以及其他相关的感染 Alphaproteobacteria 的噬菌体进行分类。本文，我们报告了在来自各种水生生态系统的宏组学数据集中发现的 16 个完整的微病毒基因组，它们的基因组明显小于（2.991-3.692 kb）已知的基因组。系统发育分析表明，这 16 个基因组代表两组相关但又截然不同的新型微病毒群——amoyvirus 是它们已知的最亲近的亲属。我们认为这些小型微病毒是两个暂时命名为 Reekeekeevirinae 和 Roodoo- doovirinae 的亚科的成员。由于已知的微病毒基因组编码了许多重叠和重印基因，而这些基因无法被基因预测软件识别，因此我们开发了一种新方法，根据蛋白质保守性、氨基酸组成和选择压力估计来识别所有基因。令人惊讶的是，每个基因组只能识别出四到五个基因，重印基因的数量低于 phiX174 中的基因。因此，这些小基因组往往具有较少的基因数量和较短的每个基因长度，从而没有留下可以容纳重印基因的可变基因区域的空间。更令人惊讶的是，这两个 Microviridae 组具有特定且不同的基因内容，以及其保守的蛋白质序列的巨大差异，突出表明这两组相关的小基因组微病毒使用非常不同的策略来用如此少的基因完成其生命周期。这些基因组的发现以及对其基因组内容的详细预测和注释，扩展了我们对自然界中ssDNA噬菌体的理解，也进一步证明了这些病毒在漫长的进化过程中探索了广泛的可能性。
两种方法的故事：揭示GAN的局限性和贝叶斯网络的综合网络交通生成
T细胞受体（TCR）及其同源表位之间结合的准确预测是理解适应性免疫反应和发展免疫疗法的关键。当前方法面临两个显着的局限性：全面的高质量数据的短缺以及通过选择监督学习方法中常用的负面培训数据引起的偏见。我们提出了一种基于变压器的方法，用于相互作用的肽和T细胞受体（Tulip）的方法，该模型通过利用不完整的数据和无监督的学习以及使用语言模型的变压器体系结构来解决这两个限制。我们的模型具有灵活性，并整合了所有可能的数据源，无论其质量或完整性如何。我们证明了先前有监督方法中使用的抽样程序引入的偏差的存在，强调了不受监督的方法的需求。郁金香识别表位的特定TCR结合，在看不见的表位上表现良好。我们的模型优于最先进的模型，并为开发更准确的TCR表位识别模型提供了有希望的方向。
blanching和两种干燥方法对
洋葱（Allium Cepa L.）在世界许多国家都在营养，治疗和经济重要性而种植，但由于其高易腐性，保存仍然是一个主要问题。加工这种蔬菜可以提供一种解决方案，以减少丰度期间收获后的损失。这项工作的目的是为减少新鲜洋葱的收获后损失做出贡献，以增强其价值。为此，研究了两种干燥方法（太阳和阴影）的影响，有机精神和微生物学特征。洋葱接受两种类型的预处理（开水和蒸汽粉刷），并在33°C的温度下在太阳和室温下干燥7天。生化分析的结果表明，干燥将新鲜洋葱的水含量从83.23％降低至14.49％。的灰分含量也从1.84％到4.84％，可滴定酸度从5.48到42.91 MEQ/100G，总多酚含量从718.19到2170.28 mg eag/g/g和黄酮含量从30.25到136.25到136.01 mg Equer/g equer/g equer/g equer/g equer/g equer/g equer of Dried Onions。感官分析的结果表明，品尝者的颜色，味道和气味更加欣赏蒸汽风光和晒干的样品。Microbiological characteristics indicate the presence of aerobic mesophilic germs (1.30.10^1 to 7.06.10^5 CFU/g), total coliforms (5.80.10^1 CFU/g), yeasts and molds (1.10^1 to 1.81.10^1 CFU/g) and an absence of fecal coliforms, E. coli and ASR.所有这些结果都是洋葱加工的附加值，将有助于减少收获后的损失。关键字：洋葱，干燥，预处理，高易腐性，收获后损失，保存
一种独特的两种脱离热稳定片剂的口服胰岛素配方：初步结果
我们报告了一种用于开发热稳定口服胰岛素片的新型配方方法。使用冷冻干燥在单步过程中形成热稳定的片剂，我们证明了使用胆汁盐Achieves Intestinal Achoives肠肠吸收和持续的格糖果水平，证明了羟丙基β环糊精（HP-β-CD）封装的胰岛素的亲脂性离子对配合物。使用这种简单方法生产的片剂只有两种赋形剂可保护酶促和胃酸降解并促进胰岛素的吸收，而无需使用专门的药物制造或肠涂层。这种创新配方中的胰岛素是热热剂，即使在30-40°C/65-75％RH的热应力下也能够保持稳定性。胰岛素作为热稳定口服片剂的方便表现提供了一种低成本的可伸缩制造方法，可简化任何情况下的存储，运输和分配的物流，包括冷藏可能有限或不可用的区域。
唤起和唤起+：两种大规模，双盲，安慰剂对照，第3阶段研究的设计，评估了半卢比德在早期有症状的阿尔茨海默氏病中的疗效，安全性和耐受性
其他声明：报告的竞争利益。JC: provided consultation to Acadia, Actinogen, Acumen, Alpha Cognition, Aprinoia, AriBio, Artery, Biogen, BioVie, Cassava, Cerecin, Diadem, EIP Pharma, Eisai, GemVax, Genentech, GAP Innovations, Janssen, Jocasta, Karuna, Lilly, Lundbeck, LSP, Merck, NervGen, Novo Nordisk，寡头，光气体，Ono，Otsuka，Prodeo，Prothena，Remynd，Roche，Roche，Sage Therapeutics，Signant Health，Simcere，Suven，Suven，Synapsebebio，Truebio，Truebine，Truebine，Vaxxxinity，vaxxcialtion，vaxxciention，vaxxciential和wren Therapeutics。AA：已获得酬金或咨询支持；参加独立的数据安全监控板；提供教育讲座，计划和材料；或在Abbvie，Acadia，Allergan，Alzheimer's Association，Axovant，Aztherapies，Biogen，Biogen，Eisai，Grifols，Grifols，Harvard Medical School继续教育，Jomdd，Jomdd，Lundbeck，Merck，Novo Novo Nordisk Nordisk，Ono，Ono，Prothena，Qyynapse，Roche/genentech andentect，unect和suiul，jomddd，suiuls和suius，jomddd，或在咨询委员会任职。AA从牛津大学出版社收到书籍特许权使用费，以了解有关痴呆症的医学书籍。AA获得了美国国家老化研究所/美国国家卫生研究院（1P30AG072980），NIA/NIH U24AG057437，AZ DHS（CTR040636），NIH（CTR040636），NIH（FNIH（FNIH）（FNIH），华盛顿大学，华盛顿大学的机构研究赠款/合同资金。 AA的机构从政府，财团，基金会和公司获得/收到了临床试验赠款，合同和项目的资金，他担任/担任合同现场首席研究员的资金。 AA已从Novo Nordisk收到/接收酬金，以咨询活动，包括在Evoke/Evoke+计划指导委员会中提供服务。AA获得了美国国家老化研究所/美国国家卫生研究院（1P30AG072980），NIA/NIH U24AG057437，AZ DHS（CTR040636），NIH（CTR040636），NIH（FNIH（FNIH）（FNIH），华盛顿大学，华盛顿大学的机构研究赠款/合同资金。AA的机构从政府，财团，基金会和公司获得/收到了临床试验赠款，合同和项目的资金，他担任/担任合同现场首席研究员的资金。AA已从Novo Nordisk收到/接收酬金，以咨询活动，包括在Evoke/Evoke+计划指导委员会中提供服务。HHF：报告了Lumind Foundation，Annovis（QR Pharma），AC Immune，Biohaven Pharmaceuticals和Vivoryon（pribiodrug）的Lumind Foundation（QR Pharma），Annovis（QR Pharma）的加利福尼亚大学圣地亚哥分校（UCSD）的赠款。他还通过UCSD报告了服务协议，以咨询Arrowhead Pharmaceuticals，Axon Neuroscience，Lumind Foundation和Novo Nordisk。在数据监测委员会以及Janssen Researtion＆Development LLC的数据监测委员会以及通过UCSD提供服务协议的Roche/Genentech Pharmaceuticals的数据和安全监控委员会中服务，并在TAU联盟的科学咨询委员会任职。他报告了加拿大Novo Nordisk和Royal Society的UCSD的旅行费用。他获得了个人资金，用于检测和治疗痴呆序列号12/3-2691美国专利号PCT/US2007/07008，华盛顿特区，美国专利商标局。他还通过爱泼斯坦家族阿尔茨海默氏症的研究合作获得了对阿尔茨海默氏症治疗研究的慈善支持。OH：ADX，AVID放射性药物，Biogen，Eisai，Eisai，Eli Lilly，Fujirebio，GE Healthcare，Pfizer，Pfizer和Roche获得了ADX，Biogen，Eisai，Eisai，Eisai，Eisai，Eisai，Eisai，Eisai，Eisai和Roche的获得的研究支持；并获得了AC Immune，Alzpath，Amylyx，Bioartic，Biogen，Cerveau，Eisai，Eisai，Eisai，Eli Lilly，Fujirebio，Genentech，Genentech，NovoSech，Novo Nordisk，Roche，Roche和Siemens的咨询/发言人费。fkk：曾在科学咨询小组和/或成为议长局的一部分，并获得了89bio，Amgen，Amgen，Astrazeneca，Boehringer Ingelheim，Carmot Therapeaperics，Carmot Therapeutics，Eliilly，Gubra，Gubra，Medimmmmmmmmmmmmmmmmmmmmmmmmmk，Merdipharma，Novema，Merdem，nord novema，nord novgharma，nord novgharma，nord n novema nord，结构治疗药物，西兰制药和祖卡拉；是Antag Therapeutics的联合创始人和少数股东，并拥有Eli Lilly，Novo Nordisk和Zealand Pharma的股份；是
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠强制执行常见的堆叠权重，而不是交叉折叠。使用校准的仿真研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者基于单一的替代方法相比，堆叠的DDML对部分未知的功能形式比部分未知的功能形式更强大。我们提供实施建议的Stata和软件。 JEL分类：C21，C26，C52，C55，J01，J08'
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠量强制执行常见的堆叠权重，而不是交叉折叠。使用校准的模拟研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者的常见替代方法相比，堆叠的DDML对部分未知的功能形式更强大。我们提供实施建议的Stata和软件。JEL分类：C21，C26，C52，C55，J01，J08'
DNA在用两种不同的擦拭溶液中收集的唾液证据中的稳定性利用AI工具在大学写作指导中
AI驱动的大语言模型（LLM）（例如Chatgpt和Google Gemini）的兴起既提出了高等教育的挑战和挑战，尤其是在写作教学中。这项探索性研究研究了一种利用LLM生成的反馈来吸引学生进行详细的修订工作，强调迭代性改进对未分级草稿的质量的探索方法。学生根据标题提交了AI反馈的草稿，并进行了工作，并根据其修订的深度和质量进行了评分。来自39个本科生的调查数据表明，LLM反馈是明确，具体且可操作的，可促进对修订的更深入的参与并促进独立性。学生将这种方法视为道德，将AI与学术完整性保持一致，同时减少了滥用AI进行内容创建的诱惑。虽然一些著名的局限性（例如非个人反馈），但总体接收是高度积极的。通过将LLM构建为增强的工具，或者研究伙伴，这项研究很高 - 他们的潜力支持道德，迭代学习，并建议将AI整合到高等教育中的教学法中的有希望的方向。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析