XiaoMi-AI文件搜索系统
World File Search System全面性
预防和减少赌博危害的战略 2025/26 至 2027/28
大多数新西兰人都曾赌博或认识赌博的人。赌博造成的危害是我们社区以及个人、家庭和 whānau 面临的重大公共卫生问题。危害在我们的社区中分布不均：毛利人、太平洋岛民、亚裔和年轻人遭受或面临更多赌博危害的风险。《2003 年赌博法》规定，每三年，该部必须制定并实施一项以公共卫生为重点的综合问题赌博战略。该战略必须包括解决赌博危害的服务以及从赌博行业收回这些服务成本的征税（付款）。该战略列出了未来三年的重点领域，与该战略一起发布的服务计划草案详细说明了我们需要在每个领域开展哪些活动。这些活动的资金来自赌博业支付的税款。我们需要听取参与减少赌博危害的人们、家庭和 whānau、社区、赌博提供商和组织的意见，以确保我们的方法具有包容性和全面性。我们希望收到以下方面的反馈：
利用药物知识图谱辅助数据检索
药物系统提供和/或利用的数据通常分为两类：（a）事实药物数据和（b）知识药物数据。事实药物数据主要包括药物处方和药物管理数据，医院通常将这些数据以出院信或药单中的自由文本形式存档。已经提出了几种对事实药物数据进行信息检索的方法：信息提取和自由文本搜索 [1]、机器学习 [2]。然而，实现有效的信息检索系统除了需要使用事实数据外，还需要使用知识数据。知识图谱结构（包括概念图形式主义 [3]）已用于生物医学知识，数据表示特别适合药物知识数据 [4]。现有的药物数据库（如 Wikidata [5]、Drug Bank 2 或 GoodRx 3）包含有价值的信息，但如果单独获取和/或将其中一些信息存储为非结构化数据则缺乏全面性 [6]。本研究介绍了一种系统的设计，该系统能够检索法国诺曼底鲁昂大学医院诺曼底健康数据仓库 (EDSaN) [7] 中的处方订单。药物知识数据的概念图如下：
NIST 计量集成电路研讨会
21 世纪海量数据工作负载（例如 AI/机器学习）的计算需求远远超出了当今计算系统的能力。随着问题规模的扩大，这一挑战变得更加严峻，尤其是随着传统晶体管小型化变得越来越困难。本次演讲将介绍变革性的纳米系统，旨在实现 1,000 倍系统级能量延迟产品优势，尤其是针对海量数据工作负载。我们通过超密集（例如单片）3D 逻辑和内存集成（N3XT 3D 方法）创建新的芯片架构。通过芯片堆叠/中介层/晶圆级集成的连续性集成多个 N3XT 3D 芯片（N3XT 3D MOSAIC）。在工业和研究制造设施中建造的几个硬件原型证明了我们方法的有效性。尽管设计缺陷、制造缺陷、可靠性故障和安全攻击等挑战日益严峻，我们还提出了确保系统稳健运行的新方法。例如，当今的测试和诊断方法无法满足当今（和未来）系统（从（自动驾驶）汽车到云端）所要求的全面性水平。我们还将讨论解决这些稳健性挑战的新“系统驱动”方法。
可靠性测试人为因素分析和...
印度尼西亚60%的航空运输是由人为因素造成的。人们已经开发了多种方法来识别和分析人为错误，其中之一是人为因素分析和分类系统（HFACS）。该方法解释了人为失误的四个层面，即不安全行为、不安全行为的前提、不安全监管和组织影响。本研究旨在确定 HFACS 层不安全行为和不安全监管在调查印度尼西亚航空事故中的可靠性，并确定影响这种可靠性的因素。用于测试 HFACS 可靠性的方法是一致性指数（IOC）。此方法计算受访者之间的一致性百分比。本研究共有 7 名受访者参与评估 HFACS 的可靠性，通过使用 HFACS 评估 5 个事故案例，并填写问卷评估 HFACS 的全面性、灵活性、效率和可用性水平。超过 70% 的百分比被认为是可靠的。从问卷调查结果来看，层层同意率为89.50%，次层同意率为24.11%。因此，不安全行为和不安全监管层在层级可靠，但在子层级不可靠。有几个因素会影响这种可靠性，即信息的完整性、HFACS 问卷调查对象、HFACS 说明和研究程序。。
1 人力资源的技术决定因素...
越来越多的组织正在从传统的纸质文件转向数字归档系统，以获得竞争优势并改善对人力资源和人力资源相关信息的访问。这一数字化过程不仅使数据更易于访问，而且还提高了其在人力资源决策中的利用率。因此，人力资源相关信息变得更加全面、准确和最新。本研究专门调查了技术因素对坦桑尼亚地方政府当局 (LGA) 人力资源信息系统 (HRIS) 有效性的影响。该研究结合了描述性和推论性统计数据，包括有序逻辑回归分析，以检查技术特征对人力资源信息系统 (HRIS) 有效性的影响。研究结果表明，兼容性、复杂性、实用性和可靠性等因素在确定 HRIS 中数据检索的及时性、全面性和准确性方面起着至关重要的作用。该研究为通过采用计算机化的 HRIS 来改进 LGA 的人力资源管理实践提供了宝贵的见解。所讨论的方法增强了决策能力并改善了信息访问，有助于实现组织目标。它还强调了定期更新系统以跟上不断变化的技术形势的重要性。
社会工作和初级保健：前进道路的愿景
在过去20年中，加拿大的初级保健经历了重大转变，并且随着跨专业初级保健团队的扩大而继续发展。2-3慢性健康状况是加拿大残疾和死亡的主要原因，4，而对心理健康和药物使用服务的需求持续上升。5-8个跨专业的初级保健团队包括包括社会工作者的培训，是应对前所未有的医疗保健劳动力挑战的一项策略，对加拿大人及时获得及时，高质量的医疗服务的能力产生了深远的负面影响。9个基于团队的初级保健模型通过整合来自各种纪律背景（包括社会工作者）的提供者，以与家庭医生和/或护士从业者协作和合作，扩大了健康和心理健康服务的全面性。2,10初级保健的核心要素是以客户为中心的，全面和协调的服务，当健康问题出现时，通常是第一个接触点，并且在纵向上提供了护理。11卫生公平和访问是全球大多数医疗保健系统中初级保健基石角色的基础。社会工作的生物心理社会哲学和对公平和社会正义的承诺直接补充初级保健。12
缺血性中风图像中的人工智能
本文综述了当前人工智能在缺血性卒中影像学应用的研究进展，分析了主要挑战，并探讨了未来的研究方向。本研究强调了人工智能在梗塞区域自动分割、大血管闭塞检测、卒中结局预测、出血性转化风险评估、缺血性卒中复发风险预测、侧支循环自动分级等领域的应用。研究表明，机器学习（ML）和深度学习（DL）技术在提高诊断准确性、加速疾病识别、预测疾病进展和治疗反应方面具有巨大潜力。但这些技术的临床应用仍然面临数据量限制、模型可解释性、实时监测和更新需求等挑战。此外，本文讨论了 Transformer 架构等大型语言模型在缺血性卒中影像学分析中的应用前景，强调建立大型公共数据库的重要性，未来研究需要关注算法的可解释性和临床决策支持的全面性。总体而言，人工智能在缺血性中风管理中具有重要的应用价值；但必须克服现有的技术和实践挑战才能实现其在临床实践中的广泛应用。
HSDreport：使用超声心动图报告进行心音诊断
心音听诊在先天性心脏病的诊断中具有重要意义。然而，现有的心音诊断 (HSD) 任务方法主要局限于几个固定的类别，将 HSD 任务视为一个严格的分类问题，与医疗实践不完全相符，并且只能向医生提供有限的信息。此外，这种方法不利用超声心动图报告，而超声心动图报告是诊断相关疾病的黄金标准。为了应对这一挑战，我们推出了 HSDreport，这是 HSD 的新基准，它要求直接利用从听诊中获得的心音来预测超声心动图报告。该基准旨在将听诊的便利性与超声心动图报告的全面性结合起来。首先，我们为这个基准收集了一个新数据集，包括 2,275 个心音样本及其相应的报告。随后，我们开发了一个基于查询的知识感知转换器来处理这项任务。目的是利用医学预训练模型的功能和大型语言模型 (LLM) 的内部知识来解决任务固有的复杂性和多变性，从而提高方法的稳健性和科学有效性。此外，我们的实验结果表明，我们的方法在检测心音中的关键异常方面明显优于传统的 HSD 方法和现有的多模态 LLM。
Yolopears：用于质量分级系统中多级梨表面缺陷检测的Yolo对象检测器的新基准
梨是最广泛消耗的水果之一，它们的质量直接影响消费者的满意度。表面缺陷，例如黑点和小斑点，是梨质量的关键指标，但由于视觉特征的相似性，检测它们仍然具有挑战性。这项研究提出了Pearsurfacedects，这是一个自我结构的数据集，包含六个类别的13,915张图像，其中有66,189个边界框注释。这些图像是使用定制的图像采集平台捕获的。在数据集上建立了27种版本的27个最先进的Yolo对象探测器的Yolo对象检测器，Yolor，Yolov5，Yolov5，Yolov6，Yolov7，Yolov7，Yolov7和Yolov9。为了进一步确保评估的全面性，还包括了三个高级非Yolo对象检测模型，T-DETR，RT-DERTV2和D-FINE。通过实验，发现yolov4-p7的检测准确性在map@0.5达到73.20％，而Yolov5n和Yolov6n也显示出极大的潜力，可以进一步提高梨表面缺陷检测的准确性。本研究中用于模型基准的梨表面缺陷检测数据集和软件程序代码都是公开的，这不仅会促进对梨表面缺陷检测和分级的未来研究，而且还为其他水果大数据和类似研究提供了宝贵的资源和参考。
多范围：多方面的评估，以探测掌握医学知识的LLMS
大型语言模型（LLM）在跨领域表现出色，在医学评估基准（例如MEDQA）上也提供了显着的表现。但是，在现实世界中医学场景中，报告的性能与实际有效性之间仍然存在显着差距。在本文中，我们旨在通过采用多方面的检查模式来系统地探索当前LLM的实际掌握医学知识的掌握，以探讨这一差距的原因。具体而言，我们开发了一种新颖的评估框架多叶序，以检查LLM在多个方面的编码和掌握医学知识中的范围和覆盖范围。基于多叶术框架，我们构建了两个多方面的评估数据集：Multidisek（通过从临床疾病知识库中产生问题）和MultiMEDQA（通过将Medical Benchmark MedQA从Medical Benchmark MedQa重新提出每个问题，以进行多方面的问题）。这些模拟数据集的实验结果表明，掌握医学知识的当前LLM的程度远低于其在现有医疗基准上的表现，这表明它们缺乏深度，预见和在掌握知识中的全面性。因此，当前的LLM尚未准备好在现实世界中的任务中应用。代码和数据集可在https://github.com/thumlp/multifaceteval上找到。