XiaoMi-AI文件搜索系统
World File Search System偏差
COVID-19的管理疫苗给药错误和偏差
当发生涉及COVID-19疫苗的免疫错误/偏差发生时，本表为免疫提供者提供了指导和建议。这些建议适用于艾伯塔省，可能与其他司法管辖区不同。免疫提供者应遵循其监管/雇主指南报告疫苗管理错误。此策略是常绿的，并且将随着新信息的可用而更新。
关于人为错误的观点：后见之明偏差和局部理性
隐含的假设是，一个人（助手）是失败的根源，无论是由于某种固有特性还是由于他缺乏努力。贝塞尔摆脱了这一假设，并通过实证研究了天文观测中的个体差异。他发现，在当时的方法下，观察者之间存在很大差异。当时进行观察的技术需要结合听觉和视觉判断。这些判断受到当时的工具、摆钟和望远镜细线的影响，并与任务要求相关。解雇金布鲁克并没有改变任务的难度，并没有消除个体差异，也没有使任务更不容易受到不精确因素的影响。进步是基于寻找更好的天文观测方法、重新设计支持天文学家的工具以及重新设计任务以改变对人类判断的要求。
用于腐蚀疲劳偏差补偿的物理信息神经网络
我们提出了一种新颖的物理信息神经网络建模方法，用于腐蚀疲劳预测中的偏差估计。混合方法旨在将深度神经网络中的物理信息层和数据驱动层合并在一起。结果是一个累积损伤模型，其中物理信息层用于模拟相对容易理解的现象（通过 Walker 模型的裂纹扩展），数据驱动层用于解释难以建模的物理现象（即由于腐蚀导致的损伤累积偏差）。数值实验用于展示所提出的物理信息神经网络在损伤累积方面的主要特征。测试问题包括预测用于飞机机翼面板的 Al 2024-T3 合金的腐蚀疲劳。除了循环载荷外，面板还受到盐水腐蚀。物理信息神经网络使用对输入的全面观察（远场载荷、应力比和腐蚀性指数 - 按机场定义）和对输出的非常有限的观察（仅对一小部分机队进行检查时的裂纹长度）进行训练。结果表明，物理信息神经网络能够学习原始疲劳模型中由于腐蚀而产生的修正，并且预测足够准确，可以对机队中不同飞机的损坏情况进行排名（可用于确定检查的优先顺序）。
AFIS 上下文信息的偏差效应 - ePrints Soton
机器。在本文中，我们研究了使用自动指纹识别系统 (AFIS) 对人类决策者的影响。我们向 23 名潜在指纹检查员提供了 3680 份 AFIS 列表（共 55,200 次比较），作为他们正常案件工作的一部分。我们操纵了 AFIS 列表中匹配指纹的位置。数据显示，潜在指纹检查员在错误排除和错误不确定方面受到匹配指纹位置的影响。此外，数据显示，错误识别错误更有可能出现在列表顶部，即使正确匹配出现在列表的更下方，也会发生此类错误。需要仔细研究和考虑这些影响，以便在使用 AFIS 等技术时优化人类决策。
附录22 mRNA疫苗给药错误和偏差
疫苗给药错误是任何可预防的事件，可能导致或导致不适当使用疫苗或患者伤害。本附录提供了预防和报告mRNA covid-19疫苗给药错误的资源，以及在发生错误后要采取的措施。为了完整性，这包括其他方案，这些方案偏离了CDC建议的疫苗间隔，但不被视为管理错误。本文档旨在协助提供者处理特殊情况，在这种情况下，已经发生了疫苗接种或偏差，并且在可用的其他信息可用时可能会更新。
偏差反馈影响运动想象 BCI 的学习
简介：提出了各种用户训练来帮助用户完成运动想象（MI）BCI 任务，例如，使用正（有偏见）反馈（它是对一个人标记的大脑活动的乐观表示）已被证明可以提高表现[1]或学习[2]。相反，在[3]中，正反馈减少，而负反馈增加用户在一次会话中的学习。为了更好地理解有偏见的反馈对BCI训练期间的表现和学习的好处，我们考虑了用户状态，例如工作量和心流状态，一种最佳认知控制、沉浸和愉悦的状态，这些状态已被证明与表现相关[4]。材料、方法和结果：30名参与者（12名女性，平均年龄：28.56岁，SD：6.96）分为3组：1.无偏见，2.正偏见和3.负偏见，其中SVM分类器输出使用累积beta分布函数实时偏置。参与者参加了 2 个环节，每个环节包括校准（2 次运行）和测试（6 次运行）。一次运行包含每个类 20 次试验，持续约 5 分钟。用户使用左右手 MI 玩 Tux Racer 游戏。每次运行后，分别使用 NASA-TLX [5] 和 EduFlow [6] 问卷评估工作量和流动状态。在线表现被计算为分类器的峰值表现。学习率是环节内在线表现与运行的线性回归的斜率，例如高于零表示积极学习，而低于零表示学习下降。我们发现学习率在组×环节之间存在显着的相互作用（双向方差分析，p <0.01），图 1.A；但组间表现没有差异。我们发现流动状态与表现（Pearson's r = 0.30）和学习率（r = - 0.20）之间存在相关性（p <0.05，用 FDR 校正）；工作量与绩效之间没有相关性，但与学习率有相关性（r=0.13）。最后，我们发现各组之间存在显著差异，EduFlow 分数的认知控制维度 p<0.05，如 [4] 图 1.B 所示。
2020年3月27日 类别偏差CD-2020-02 更正...
F 2WKHU 0DUNHW &KDUJHV DQG &UHGLWV 7KH *RYHUQPHQW VKDOO SD\ DQG RU EH FUHGLWHG EDFN WKH IROORZLQJ PDUNHW EDVHG FKDUJHV FUHGLWV DV DSSURSULDWH IRU WKH DSSOLFDEOH FRQWUDFW DQG XWLOLW\ 572 ]RQH 7KH &RQWUDFWLQJ 2IILFHU VKDOO LGHQWLI\ ZKLFK 2WKHU 0DUNHW &KDUJHV DQG &UHGLWV ZLOO DSSO\ LQ WKH FRQWUDFW SULFLQJ VHFWLRQ >,QFOXGH DV DSSURSULDWH @ 5HOLDELOLW\ 0XVW 5XQ 505 ± $Q\ 505 FKDUJHV VKDOO EH ZLWK QR PDUNXS 写 WKH *RYHUQPHQW )HGHUDO (QHUJ\ 5HJXODWRU\ &RPPLVVLRQ )(5& 2UGHU &RVWV ± )(5& 2UGHU FRVWV LI DQ\ VKDOO EH ZLWK QR PDUN XS 写 WKH *RYHUQPHQW $XFWLRQ 5HYHQXH 5LJKWV $55V ± $Q\ $55V DVVRFLDWHG ZLWK WKH DFFRXQW ORDGV VKDOO EH FUHGLWHG EDFN 写 WKH *RYHUQPHQW EDVHG RQ WKH *RYHUQPHQW¶V VKDUH RI WKH &RQWUDFWRU¶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
检测和缓解种族范围的算法偏差-ERIC
自1990年代出现“大数据”以来，尽管有教育，但在各种社会领域中使用先进的统计技术来预测互动的结果已经激增（Baker等，2019；政府可获得性办公室[GAO] [GAO]，2022年）。用于预测结果的技术套件并为Orga-Nizations内部的决策提供了信息，被广泛称为“预测分析”。尽管在很大程度上看不见，但预测分析可以为教育机构内的无数决定，从大学入学（Hutt等，2019）和学生保留介入（Baker等，2019）到资源分配（Wayt，2019; Yanosky＆Arroway，2015）。在对近1,000所大学的调查中，证明了预测分析的普遍性，有89％的受访者报告对预测分析进行了一些投资（Parnell等，2018）。
文本到图像生成模型中的开放式偏差检测
文本到图像生成模型正变得越来越流行，公众可以访问。由于这些模型看到大规模的部署，因此有必要深入研究其安全性和公平性，以免消散和永久存在任何形式的偏见。然而，存在的工作重点是检测封闭的偏见集，定义了先验的偏见，将研究限制为众所周知的概念。在本文中，我们解决了出现OpenBias的文本到图像生成模型中开放式偏见检测的挑战，该模型是一条新管道，该管道可识别和量化双质量的严重性，而无需访问任何预编译的集合。OpenBias有三个阶段。在第一阶段，我们利用大型语言模型（LLM）提出偏见，给定一组字幕。其次，目标生成模型使用相同的字幕绘制图像。最后，一个视觉问题回答模型认识到了先前提出的偏见的存在和范围。我们研究了稳定扩散1.5、2和XL强调新偏见的稳定扩散，从未研究过。通过定量实验，我们证明了OpenBias与当前的封闭式偏见检测方法和人类判断一致。
样品期间碎碎参考材料和潜在偏差
从现场提取的钻头样本以提交给实验室是资源挖掘公司最有价值的资产。资源估计过程的关键部分是通过质量控制程序验证实验室结果，该程序涵盖了整个字段到数据工作流程。实施当前可用于市场的实施，特别是针对黄金和碱金属项目，主要由粉碎的参考材料组成，该材料在小袋中提供，并将“盲目”提交给实验室进行分析。但是，样品制备是实验室过程的关键部分，此步骤不涉及粉碎的参考材料。作为报告要求的一部分，Jorc（2012）代码和N43-101要求评估样本准备方法的性质，质量和适当性，以详细介绍。