XiaoMi-AI文件搜索系统
World File Search System中学
人工智能素养作为公民素养——以中学生“人工智能与人权”课程为例
当年轻一代沉浸在人工智能技术中时，政府机构正处于研究该技术对我们的权利的影响以及如何对其进行最佳监管的初始阶段。我们有机会用公民理解来补充人工智能教育。这项工作介绍了“人工智能与人权”课程，该课程由七节课组成，内容涉及人权、技术如何塑造我们的权利以及人工智能权利法案的蓝图。我们总结了 50 名参加基于权利的人工智能立法模拟的中学生的经验。最后，我们将就如何让年轻人参与人工智能和人权话题提供建议。我们旨在分享这项工作，以提高人们对人工智能素养对青年公民身份重要性的认识，同时为寻求实施类似举措的教育工作者和政策制定者提供宝贵的指导。
从大型研究中学到的关于生理相关性的经验教训......
脑类器官是体外培养的三维 (3D) 聚集体和模型，它使我们能够深入研究不为人知的早期人类大脑发育和人类特有的神经系统疾病特征。在过去的几年中，科学界一直致力于建立生成代表整个大脑或特定大脑区域（包括皮质、中脑、丘脑、下丘脑、内侧神经节隆起、脉络丛、脑干和小脑）的脑类器官的方案 [ 1 ]。此外，通常无法通过常规方案分化的非外胚层细胞类型，如小胶质细胞和血管内皮细胞，也可通过转基因或共培养方法成功地引入脑类器官 [ 1 – 3 ]。尽管近年来 3D 培养系统取得了快速发展，但脑类器官如何接近模拟人体原始组织生理学仍然是一个“热门”话题。由于脑类器官由多种细胞类型组成，单细胞转录组分析通常用于研究细胞类型的组成和脑类器官中每个细胞的分子特征。公共存储库（如 NCBI 基因表达综合数据库 (GEO)）中单细胞转录组数据的数量不断增加，引发了各种二次合成分析，这些分析解决了方案间差异以及脑类器官与原始人脑的相似性和差异性。早期研究使用了来自脑类器官和人类胎儿脑样本的数十万个细胞，并证明了细胞应激的升高、实验验证和脑类器官区域身份的指定 [4-7]。Werner 和 Gillis 领导的一项新发表的元研究表明，原始发育中的人类大脑和脑类器官之间存在共表达网络
超越边界：在跨数据集和语言中学习通用实体分类法，以获取命名实体识别
开放命名实体识别（NER）涉及从任意域中识别任意类型的实体，对于大语言模型（LLMS）仍然具有挑战性。最近的研究表明，对数据数据的微调LLM可以提高其性能。但是，直接对现有数据集进行培训会忽略其不一致的实体定义和冗余数据，从而将LLMS限制为数据集 - 特定的学习和阻碍域外适应性。为了解决这个问题，我们提出了B 2 NERD，这是一个紧凑的数据集，旨在指导LLMS在通用实体分类学下的开放NER中的概括。b 2书呆子使用两个步骤的过程从54个Ex-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is-Is。首先，我们检测到跨数据集的不一致的实体定义，并通过可区分的标签名称来澄清它们，以构建400多种实体类型的Uni-Glesal分类学。第二，我们使用数据修剪策略来解决冗余，该策略选择了更少的类别和语义多样性的样本。综合评估表明，B 2 NERD显着增强了LLMS的开放式NER功能。我们的B 2 NER模型，在B 2 NERD上训练，超过6.8-12.0 f1点，并超过15个数据集和6种语言的3个室外基准标记中的先前方法。数据，模型和代码可在https://github.com/umeannever/b2ner上公开获取。
从合成数据中学习机器人学习的可扩展配方...
Lucidsim一次提供了所有三种解决方案。首先，我通过围绕Mujoco物理引擎构建并使用对象掩码和深度从模拟器构成和调节生成的图像来使数据实现和多样化。这确保了与场景几何形状的视觉一致性。为了减轻由于这种调节而导致的样本多样性的丧失，我通过从Chatgpt采购结构化图像提示来注入变化。第二，我通过一种新技术（DIM）提高了渲染速度，该技术通过机器人的摄像头姿势和场景几何形状计算得出的光流，将单个生成的图像扭曲为连续的帧。昏暗的使Lucidsim更快。最后，要生成policy数据，我们需要在封闭循环中运行图像生成，视觉策略在每个时间步骤中都会使用生成的图像。让Lucidsim“ Go Burrr”是关键，因此我开发了系统工具来分发轨迹采样，图像翘曲和跨80 + GPU的图像生成。Lucidsim的结果表明，闭环培训完全负责获得视觉政策以达到专家级的性能。
卫生职业高中学生疫苗可预防疾病免疫力调查
医护人员因接触患者和受感染物质而面临感染严重且可能致命的疾病的风险（1）。降低这种风险的措施包括确保手部卫生、适当隔离患者以及及时接种疫苗（2,3）。除了在医院环境中实施的措施外，医护人员保持对甲型肝炎、乙型肝炎、麻疹、腮腺炎、风疹 (MMR) 和水痘等疫苗可预防疾病的免疫力对于预防感染也很重要。青少年和成年人感染甲型肝炎、乙型肝炎、MMR 和水痘的发病率和死亡率高于儿童（4）。据报道，儿科和传染病房中疫苗可预防疾病的传播风险更高（5）。强烈建议所有易感染麻疹、风疹、水痘和乙型肝炎的医护人员接种疫苗（6）。此外，土耳其还建议接种甲型肝炎疫苗（7）。医护人员应接受针对疫苗可预防疾病的免疫力筛查，并在接触患者之前接种相应疫苗（5,6）。
中学教育人工智能应用指南
电子邮件：theeraphab@g.swu.ac.th，ORCID ID：https://orcid.org/0009-0007-2434-3760 收到日期 2024 年 6 月 12 日 修订日期 2024 年 6 月 30 日 接受日期 2024 年 7 月 26 日 摘要 背景和目的：教育管理是培养 21 世纪学生素质和技能的重要过程，以应对数字时代的变化。教育中的数字技术提高了教师、学生和教育机构的管理效率。人工智能 (AI) 是另一种可以通过改进学校的教学过程和各种管理任务来提高教育质量的技术。本研究旨在1）研究曼谷2中等教育服务区办公室下人工智能（AI）在教育中的应用，2）分析并提出曼谷2中等教育服务区办公室下人工智能（AI）在教育中应用的指南。方法：研究人员采用深入访谈的方式，采访了6位关键消息来源，包括1）人工智能专家，2）教育监督员，3）学校管理人员，4）教师。研究人员采用目的抽样。研究人员对消息来源进行访谈，直至数据饱和，没有新的问题或信息出现。结果：研究结果表明；（1）人工智能（AI）在教育中的应用包括1）人工智能在教育中的潜力，包括促进和提高工作效率、改进教学过程、促进学习和发展学生的潜力； 2）人工智能在教育中的应用可分为两个领域：1）人工智能在教学中的应用，包括设计学习活动、组织学习活动、创建学习媒体、测量和评估、分析个体学习者和特殊的人工智能教室；2）在学校管理中的应用，包括在学校考勤系统、学生护理系统、劳动力规划、质量保证系统、文件管理系统和预算管理中应用人工智能。 （2）人工智能在教育中的应用指南包括1）为人工智能在教育中的应用做准备，包括政策制定准备、人员准备、数据准备和技术准备；2）人工智能在教育中应用的考虑因素，包括应用人工智能的预算、应用人工智能的道德规范、隐私和数据
从Covid-19疫苗传递中学习儿科辉瑞-biontech Covid-19疫苗namibia
空气污染：WHO全球空气质量指南2021•WHO SDG指标11.6.2精细颗粒物的浓度（PM2.5）； 2019年数据•谁家用空气污染数据； 2019年数据•谁空气污染数据门户； 2019年的健康影响数据•UNEP 2021：调节空气质量：对空气污染立法的首次全球评估； 2020年的数据•谁家庭能源政策存储库；数据不断更新。WASH：联合国儿童基金会：供水，卫生和卫生的联合监测计划，2022年数据•谁供水，卫生和卫生：疾病负担，2019年数据•WHO GLAAS 2021/2022周期。气候变化：IEA 2023：现代可再生能源在最终能源消耗中的份额•谁健康和气候变化国家概况•Honda等。2014•Kendrovski等。 2017 • WHO Health and Climate Change Global Survey • WHO: Alliance for Transformative Action on Climate and Health (ATACH): Country Commitments • WHO 2023: 2023 WHO review of health in nationally determined contributions and long-term strategies: health at the heart of the Paris Agreement • ATACH baselines, 2024 data Biodiversity: World Bank Group, Terrestrial and marine protected areas, 2022 data • World Population Review 2024: Deforestation rates by国家 /地区•数据来源：粮农组织2020数据。 FAO 2020：全球森林资源评估•CBD在线报告工具2024化学药品：WHO：国际健康法规核心能力分数，2023年数据•2014•Kendrovski等。2017 • WHO Health and Climate Change Global Survey • WHO: Alliance for Transformative Action on Climate and Health (ATACH): Country Commitments • WHO 2023: 2023 WHO review of health in nationally determined contributions and long-term strategies: health at the heart of the Paris Agreement • ATACH baselines, 2024 data Biodiversity: World Bank Group, Terrestrial and marine protected areas, 2022 data • World Population Review 2024: Deforestation rates by国家 /地区•数据来源：粮农组织2020数据。FAO 2020：全球森林资源评估•CBD在线报告工具2024化学药品：WHO：国际健康法规核心能力分数，2023年数据•
从教科书中学习任何三首诗。 •做5 ...
“宪法第73条和第74条修正案是我们民主框架发展的主要地标。报告中提出的权力指数标志着评估这些修正案的实施的一种重要方法。该指数在六个通过二十五个指标涵盖的六个确定维度上显示了州/UT的总分和排名。该指数允许对权力下放的空间和时间评估。每个组件尺寸的子指标都为权力结构中的区域多样性增加了有用的见解。将这些措施纳入经验研究将有助于改善分析。该报告应由区域不平等的所有兴趣阅读。” - TCA Anant，德里经济学院教授，前成员联盟公共服务委员会，印度首席统计学家，2010- 2018年。