XiaoMi-AI文件搜索系统
World File Search System代表性
美国 COVID-19 疫苗的可接受性和不平等性：一项全国代表性调查的结果
背景 截至本次调查开展时，即 9 月 1 日，美国约有 600 万例 COVID-19 病例和 176,771 例死亡，且尚无联邦政府批准的疫苗。本研究的目的是探索美国民众接受 COVID-19 疫苗的意愿，并描述不同种族、族裔和社会人口统计特征对这种接受度的影响。方法 这是一项横断面数字调查，从第三方 Dynata 维护的具有全国代表性的小组中抽样参与者。Dynata 随机抽样其数据库，并通过电子邮件向美国居民发送基于网络的调查问卷，确保样本与美国人口普查的年龄、种族、性别、收入和人口普查地区估计值相匹配。参与者被问及他们是否愿意：1) 在 COVID-19 疫苗公开上市后立即接种，以及 2) 在即将到来的流感季节接种流感疫苗。参与者可以回答非常愿意、愿意、不愿意或非常不愿意。对于那些表示不愿意接种 COVID-19 疫苗的人，我们收集了他们犹豫的原因。所有参与者都被询问他们从哪里获得与疫苗相关的信息，以及他们最信任哪些来源。我们进行了单变量和多变量逻辑回归，以检验所有人口统计特征与接种 COVID-19 疫苗意愿之间的关联。结果从 2020 年 9 月 1 日到 9 月 7 日，1592 名受访者完成了在线调查。总体而言，加权分析发现，只有 58.9% 的样本人群愿意或非常愿意在 COVID-19 疫苗公开上市后立即接种。相比之下，67.7% 的受访者愿意或非常愿意接种流感疫苗。按性别划分，66.1% 的男性和 51.5% 的女性愿意接种 COVID-19 疫苗。男性明显比女性更愿意接种 COVID-19 疫苗（调整后的优势比 (OR) = 1.98，95% CI：1.56，2.53；p < 0.001）。黑人是接种意愿最差的种族/族裔群体（48.8%）黑人（aOR = 0.59，95%CI：0.43，0.80；p < 0.001）明显比白人更不愿意接种 COVID-19 疫苗。不愿意接种 COVID-19 疫苗的原因有很多。最常见的原因是担心疫苗的安全性（36.9%），其次是担心其有效性（19.1%）。解释总之，我们发现相当一部分（41%）的美国居民不愿意在 COVID-19 疫苗公开上市后立即接种。我们发现不同人群对疫苗的接受程度不同。除了接种疫苗意愿的亚群体差异外，受访者还提供了不愿意接种疫苗的各种原因，这是由各种疫苗信息来源（和错误信息）所驱动的。这使得向人群提供安全有效的 COVID-19 疫苗以实现群体免疫的挑战更加严峻。可能需要多管齐下、有针对性的沟通和宣传工作，才能实现高水平的免疫覆盖率。
NeuroBench：通过协作、公平和有代表性的基准测试推进神经形态计算
摘要神经形态计算领域遵循受大脑启发的原理，在提高计算效率和能力方面有着巨大的前景。然而，神经形态研究中所采用的技术种类繁多，导致缺乏明确的基准测试标准，阻碍了对神经形态方法与传统的基于深度学习的方法相比的优势和长处进行有效评估。本文介绍了一项合作努力，汇集了来自学术界和工业界的成员，以定义神经形态计算的基准：NeuroBench。NeuroBench 的目标是成为一个由社区开发、服务于社区的协作、公平和具有代表性的基准测试套件。在本文中，我们讨论了与神经形态解决方案基准测试相关的挑战，并概述了 NeuroBench 的主要特性。我们相信，NeuroBench 将是定义标准的重要一步，这些标准可以统一神经形态计算的目标并推动其技术进步。请访问 neurobench.ai 获取有关基准测试任务和指标的最新更新。
南非零工经济中的集体谈判和代表性：呼吁采取有目的的方法*
私人参与零工和平台工作的兴趣日益浓厚，给许多国家的工会运动带来了一些组织挑战。南非的情况令人困惑，因为最近的趋势表明，零工工人在没有得到立法认可的情况下，已经集体组织起来，要求数字平台提供商提供更好的工作条件。零工工作带来的挑战引发了一些法律争论，即南非的立法准备是否足以应对劳动力市场日益变化的动态。本文讨论了南非零工经济中的集体代表权和谈判权。本文反思了零工工人的就业性质，并确定了零工工人是否能够有效地组织起来进行南非的集体谈判。考虑到当代就业形式所带来的法律复杂性，本文建议南非的工会运动必须采取法律策略来振兴工会的利益。本文呼吁现有工会将其代表权扩大到零工工人。本文建议，现行的管理集体谈判和代表权的宪法框架可以容纳和促进南非零工工人的集体代表权和谈判权。
ELEVATUM 是首个由行业赞助的、针对美国视网膜领域代表性不足患者的试验
ELEVATUM 临床试验 (NCT05224102)。a 在基线访视（即首次研究治疗当天）前 28 天内进行筛查。如果需要 > 28 天，筛查期可延长最多 5 个工作日。b 如果患者在第 56 周完成 SFV，则视为已完成研究。提前（第 56 周之前）退出研究或治疗的患者应在最后一次研究治疗后 ≥ 28 天返回接受 ETV。BCVA，最佳矫正视力；CST，中央亚区厚度；DME，糖尿病性黄斑水肿；ETDRS，早期治疗性糖尿病视网膜病变研究；ETV，提前终止访视；Q8W，每 8 周一次；SFV，安全性随访访视。
对医疗保健、治疗和诊断领域人工智能的认知和知识：一项具有代表性的调查
人工智能 (AI) 被理解为系统正确解释和从数据中学习的能力，以及通过灵活适应这些学习来实现特定目标和任务的能力。尽管人工智能在医学领域有广泛的应用，但医疗保健专业人员不愿意实施人工智能设备。目前，关于德国公众对医疗人工智能的看法的数据很少。因此，2021 年在德国进行了两项在线调查，以评估对一般和医学领域人工智能的知识和看法，包括医学数据处理。共有 1,001 名和 1,000 名成年人分别参加了调查。调查结果强调需要通过提高认识、突出潜力以及确保遵守处理数据保护的准则和法规来改善对医疗人工智能应用的教育和看法。这项调查首次深入了解了德国民众中这一相关话题。
针对代表性不足的社区，加利福尼亚部落和小型农民的地下水技术援助（URCTA）计划
- 由2017年加利福尼亚州《农民股权法》 1所定义的社会不利。- 种植了四种或更多农作物类型的各种作物混合物。- 向市场出售75％或更多产品。- 为加利福尼亚州种植农作物，不由商品委员会或贸易组织代表。- 经历了从传统的农业过程转变为过去十年内再生农业过程的转变。再生农业过程包括土著农业方法，涵盖农作物，农林业，永续农业或任何其他农业和牧场实践，从而导致土壤的再生以增加碳序列。2
OPF-Learn：用于创建代表性交流最优潮流数据集的开源框架：预印本
摘要 — 可再生能源发电水平的提高激发了人们对数据驱动的交流最优功率流 (AC OPF) 方法的兴趣，以管理不确定性；然而，缺乏规范的数据集创建和基准测试，阻碍了对文献中的方法进行有用的比较。为了树立信心，模型必须能够可靠地预测各种运行条件下的解决方案。本文为 Julia 和 Python 开发了 OPF-Learn 包，它使用一种计算效率高的方法创建代表性数据集，涵盖交流 OPF 可行域的广泛范围。负载曲线是从包含交流 OPF 可行集的凸集中均匀采样的。对于找到的每个不可行的点，使用不可行性证书来减少凸集，这些证书是通过使用宽松公式的性质找到的。与文献中看到的传统技术相比，该框架可以生成更能代表整个可行空间的数据集，从而提高机器学习模型的性能。
附件 B. 加强公共生活中的代表性、参与度和开放度的行动计划 1
• 继续通过整个政府的视角支持成员国实施经合组织的性别建议，特别是关于公共生活中的性别平等的建议，方式是加强现有的工作领域，包括比较分析和有针对性的国别工作；同时也要加强政府能力建设，以收集和使用按性别和其他特征分列的数据和证据，进行性别分析，建立健全的追索和衡量机制；
优先考虑生物多样性代表性、威胁和保护成本的战略的相对保护影响
实施了各种保护措施，最终目标都是利用有限的保护资金最大限度地保持生物多样性。然而，对保护区位置的分析表明，即使是系统性方法也容易受到“残留”偏差的影响，高纬度、土壤质量差和经济价值低的地区会受到不成比例的高水平保护，而特别容易受到开发的高质量地区却没有得到充分保护（Devillers 等人，2015 年；Joppa 和 Pfaff，2009 年）。系统方法中残留偏差的出现主要归因于两个因素：未能根据影响制定保护目标和目的（Pressey 等人，2017 年；Pressey、Visconti 和 Ferraro，2015 年），以及难以通过实证测量保护影响来指导制定保护规划的优先事项（Bottrill 和 Pressey，2012 年；Ferraro 和 Pattanayak，2006 年；Ferraro 和 Pressey，2015 年；McIntosh 等人，2018 年；McIntosh、Pressey、Lloyd、Smith 和 Grenyer，2017 年）。只有通过比较干预的结果和不干预的结果（在保护文献中称为“反事实”结果，sensu Ferraro，2009 年），才能衡量保护影响。然而，其他科学领域中严格的实验程序标准，包括控制组（即反事实组）和处理组，在保护科学中并不切实际，因为它们需要在许多重复区域实施多种替代保护优先策略，并且要持续与保护相关的时间段（即几十年）。这也是一种有伦理问题的过程，因为反事实规划区域在可能迫切需要保护干预措施时，不会得到任何保护干预措施（或已知非最优的干预措施）。保护从业者使用各种工具，包括实施保护区（PA）、监管对生物多样性的威胁（例如土地清理限制）以及管理生物多样性（例如入侵物种控制）等。在本文中，我们重点介绍 PA 的使用，它是系统保护规划中最广泛采用的工具之一（Margules & Pressey，2000）。如今，保护规划的主要方法是设计一个互补且具有代表性的保护区网络，这通常涉及为规划区域内每个感兴趣的生物多样性特征设定一个特定目标（例如，总面积或比例面积）（Kukkala & Moilanen，2013 年）。其他方法侧重于设计保护区网络，这些网络也或可选择地侧重于其他属性，例如最大化保护区之间的连通性（Beger 等人，2010 年），或最小化保护成本（Naidoo 等人，2006 年）。代表性目标在保护政策和实践中广泛存在，通常是国家和跨国储备体系的主要目标，由
代表性和面部主义：图像搜索中的性别偏见建模动物社交网络
-m |OUķ -ubm;ķ！ĺķ！ĺķ！ - u -ŋou];ķķķĺőĺĺĺőĺőĺ°ou-] bm] v m1_UOM驱动人类 - 野生型互助的弹性。美国国家科学学院的会议，第120卷，第120卷，;ƒpimention-m |OUķ-ѵ7OM-7OM-7O _-r-uuo _-r-uuoķķ;1Hķķu-m7ѵķu-m7ѵķu-m7ѵķ-u-u-u |; ĺķs -r-]; ou]boķD。 （2021）。个体社会反馈在繁殖和进化中的重要性。动物生态学杂志，90ķƒCarter，G。G.，Schino，G。，＆Farine，D。（2019年）。在评估裙带关系和互惠在合作网络中的作用方面面临挑战。动物行为，150ķƒɣɣŋƒFarine，D。R.（2013）。使用ASNIPE在R中生态学家的动物社交网络推断和置换。生态学和进化中的方法，4，ɛɛѷƕŋɛɛɩɠĺ -ubm;ķ！！ĺĺő共。生态与进化中的方法，8，1309–1320。Farine，D。R.和Carter，G。G.（2022）。使用动物社交网络数据进行假设检验的置换测试：问题和潜在解决方案。生态与进化中的方法，13，144-156。Farine，D。R.，Montiglio，P.-O。，＆Spiegel，O。（2015）。从个人到群体和背部：群体典型组成的进化意义。生态与进化的趋势，30，609–621。; mm-ķu-m7ѵķĺĺķ！; moѵ|ķĺ-ubm;ķr.，Covas，R。，＆Doutrelant，C。（2020）。深度学习的基于小鸟识别的基于学习的方法。org/ 10。 div>-ub; m; | OUH 7- | -1bm] - ; vb-m =; m1;生态与进化中的方法，11ķčvvkĺĺĺĺĺECLOG和EVOLUTION中的方法，14，2411–2420。 ĺķ 和Guidei Pampling Design GPS-动物游泳研究。 生态学和进化中的方法，14，ΐѷѷζᬬustics o]; eyed; v_r-m7;ķĺķiĺ$tarķu-u-2bm] k arkan ov |; I. D. KS＆Couzin（2023）。 量化了群体允许无人机和竞争有远见的动物的情绪，行为和环境环境。 动物生态学杂志，92ķķ级ᐳ•ᐺ•tor B] _BM] ő分散了“ m | b” 7bts] 7bbs bm vs-ѵm;ouhvā-1_m -ror-1_ĺm。 ĺuo = | A.，A。，L。M.和Farine，D。R.（2023）。 团体级别的社交网络结构差异 - 在加入环境滴水后重复性重复。 皇家社会公开诚意，10，230340。 ] bmoke agakĺĺĺ Pugagonzalez，I.，Sueur，C。，＆Sosa，S。（2021）。ECLOG和EVOLUTION中的方法，14，2411–2420。ĺķ和Guidei Pampling Design GPS-动物游泳研究。生态学和进化中的方法，14，ΐѷѷζᬬustics o]; eyed; v_r-m7;ķĺķiĺ$tarķu-u-2bm] k arkan ov |; I. D. KS＆Couzin（2023）。量化了群体允许无人机和竞争有远见的动物的情绪，行为和环境环境。动物生态学杂志，92ķķ级ᐳ•ᐺ•tor B] _BM] ő分散了“ m | b” 7bts] 7bbs bm vs-ѵm;ouhvā-1_m -ror-1_ĺm。 ĺuo = |A.，A。，L。M.和Farine，D。R.（2023）。团体级别的社交网络结构差异 - 在加入环境滴水后重复性重复。皇家社会公开诚意，10，230340。] bmoke agakĺĺĺPugagonzalez，I.，Sueur，C。，＆Sosa，S。（2021）。皇家学会的哲学交易B，378，20220064。通过焦点采样收集的动物社交网络分析和数据的零模型：预网络或节点网络排列？生态与进化中的方法，第12卷，第22-32页。！ovvķ$ĺķ$ĺķ1ѵu; - |_ķ！ĺķ！; 7 _;-7ķķőƒ刑O7;ѵѵBM] -mbl-ѵM; | - 使用链中R中的工作数据。动物生态学杂志。https：// doi。1111/ 1365-2656。 div>14021“ 1_O = b;ѵ7ķķĺķ0; u uķbu |_ķbu|_ķķb;ѵH;ķ-ķ-v_bķ-| | | V - | V - |网络和社会措施。生态与进化中的方法，14ķķ沃德，A。，＆Webster，M。（2016年）。社会性：群体活跃动物的行为。Springer。Springer。