XiaoMi-AI文件搜索系统
World File Search System分类学
SingleM 和 Sandpiper：强大的微生物分类学谱
CC-BY 4.0 国际许可证永久有效。本作品以预印本形式发布（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，允许其在 2024 年 1 月 31 日发布此版本的版权所有者。https://doi.org/10.1101/2024.01.30.578060 doi: bioRxiv preprint
Bloom的分类学“创建”水平和生成ai
bloom的分类学“创建”水平和生成性AI生成人工智能（GAI）工具的扩散正在重塑世界几乎如何处理每项任务，随着这些工具变得更加多样化和强大，可能会加速变化。正确的是，学者们正在质疑如何最有效地应对高等教育中不断变化的技术格局。超越了对学术诚信的担忧以及学生是否提交的工作是否是他们自己的工作，关于学习场所中人类所需的任务的基础，还有什么合理的疑问，哪些将是更好的外包和自动化的问题。与Bloom的“评估”学习水平相关的GAI和人类技能的以下细分，以及评估学生学习和将GAI纳入任务的可能手段可能会提供有关在GAI时代如何改变课程的洞察力。请记住，Edge浏览器中的Microsoft Copilot是我们校园中唯一获得认可的GAI工具。
陷阱类型会影响粪甲虫分类学和功能...
ong，X。R.，David，H.，Gray，C.，Kemp，V.，Chung，A.Y。C.＆Slade，E。M.（2021）。陷阱类型会影响婆罗洲热带森林中的粪甲虫分类和功能多样性。澳大利亚生态学。https://dx.doi.org/10.1111/aec.13124
speciateit和vspeciateB：每序列16S rRNA基因分类学分类
图1。（a）VspeciatedB V1V3，V3V4和V4模型的十倍交叉验证表明，来自“已知物种”的序列的出色分类，模型中至少存在1个序列。“新物种”的大多数序列在某些分类级别正确分类。（b）“新物种”的查询序列的后验概率往往相对于不正确的分类而正确分类。
欧洲最终的旧石器时代/最早的中石器时代文化分类学和进化的定量分析
1 Department of Archaeology and Heritage Studies, Aarhus University, H Ø Jbjerg, Denmark, 2 INRAP, INRAP Center i ˆ Le-de-France National Institute for Pre-Aventive Archeological Research 18 Rue Chapelle, Technology and Ethnology of the Pre-Historical Worlds, University of Paris-Nanterre, Nanterre, France, 3 Department of Archaeology, Ghent University, Ghent,比利时，4 I.U.of investigacio´n in arqueologı´a y patrimonio historico, University of Alicante, Alicante, Spain, 5 Departimento di Studi Umanistici-Sezione dire Preistoriche e Antropologiche, University of Ferrara, Ferrara, Italy, 6 Museum Lolland-Falster, Nyk Ø Bing F, CNRS UMR 5199 PACEA, University of Bordeaux, France & Serp University of Barcelona, Barcelona, Spain, 8 CNRS UMR 7 8068 Technology and Ethnology of the Pre-Historic Worlds, University of Paris-Nanterre, Nanterre, France, 9 Zentrum Fu¨r Skandinavische und Baltische Archaology, Schloß Gottorf, Schleswig, Germany, 10 Department of Geology, Faculty of科学，帕利基大学Olomouc，Olomouc，捷克共和国，11 CNRS-CEPAM，COQUE D'AZUR大学，法国尼斯，尼斯，12个自然历史博物馆，维也纳，奥地利，奥地利，波罗的海地区历史和考古学研究所13波兰，15史前考古研究所，科隆大学，德国科隆
基于迭代文献综述的沉浸式增强现实的互动技术的分类学
交互式系统的btract开发人员都有各种交互技术可供选择，每个相互作用的技术都具有个人优势和局限性，以考虑到所考虑的任务，上下文和用户。尽管尚未确定桌面，移动和虚拟现实应用程序的分类法，但尚未建立增强现实（AR）分类法。然而，最新的沉浸式AR技术（即，戴头饰或基于投影的AR），例如具有集成的手势和语音传感器的不受束缚的耳机的出现，已经引入了额外的输入方式，因此已经引入了新型的多模式互动方法。为提供当前沉浸式AR系统的交互技术概述，我们对2016年至2021年之间的出版物进行了文献综述。基于44篇相关论文，我们开发了一项涉及两个识别维度的分类学分类法 - 任务和方式。我们进一步提出了一种迭代分类性开发方法对人类计算机相互作用领域的改编。最后，我们讨论了观察到的趋势和对未来工作的影响。
tidytacos：用于分析微生物群落分类学组成的R包
Tidytacos（整洁的分类组合）软件包是用于探索微生物社区数据的R软件包。这样的社区数据由Agplicon测序产生的读取计数组成（例如，16S rRNA基因的区域或元基因组（shot弹枪）测序。tidytacos基于哈德利·威克姆（Hadley Wickham）引入的整洁原则，该原理以一致的格式存储（Wickham等，2023）。具体来说，Tidytacos使用整洁的格式和语法来选择，转换和准备微生物社区数据以进行可视化和分析。此外，它为流行和鲜为人知的分析和微生物社区数据的可视化提供了一系列功能。Tidytacos是为各种专业知识的研究人员而设计的，既可以提高微生物社区数据的可访问性，又可以轻松地转换数据，以实现新颖的可视化和分析方法。
农业用地的使用诱导土壤微生物功能组成比分类学组成
土地利用从自然生态系统到农田的变化会极大地改变全球土壤的12种，尤其是挑战撒哈拉以南非洲的挑战，并具有快速的人口增长和强化农业。土壤微生物多样性对于支持14个生态系统多功能性和防止病原体生长至关重要。最近的15项研究表明，农业活动使跨16个地点的微生物群落均匀，这可能会导致该规模的功能均匀化。然而，鉴于17微生物功能的冗余，由农场18的功能均质化可能比分类学均质化更广泛。我们比较了19种自然土地和真菌核的分类和功能组成，在肯尼亚和马拉维的范围（〜200 21 m）的天然土地和农田之间的尺度（〜200 21 m）到跨地点（〜1500 km），使用226S rRNA和其基因的散布测序，以及肯尼亚和马拉维的跨站点（〜1500 km）。土壤微生物23功能组成比自然土地比分类学组成的24个单位更广泛地匀浆，这表明在跨尺度上发生了类似的功能性25种对农业的反应，而范围内的范围内则存在不同的分类群。此外，26个环境因素主要影响地点均匀性，而27种耕作本身是跨站点同质性的重要贡献者，这表明与环境变化相比，农业的28个压倒性影响。加法 - 29盟友，致病真菌在农田中相对较丰富，这可能是由于30种诱导的物种竞争和农业引起的环境变化，例如低31个土壤pH。我们的发现强调了在评估土地利用变化对33个土壤健康的影响以制定可持续土地管理策略的影响时，需要调查微生物功能多样性32以及分类学多样性。34
对大语模型增强强化学习的调查：概念，分类学和方法
摘要 - 具有广泛的预训练的知识和高级一般能力，大型语言模型（LLMS）作为一种有希望的途径，以增加多任务，样本效率和高级任务计划等诸如多任务学习，样本效率和高级任务计划之类的途径。在这项调查中，我们对LLM增强RL中现有文献进行了全面审查，并总结了其特征与常规RL方法相比，旨在阐明研究范围和未来研究的方向。利用经典的代理 - 环境相互作用范式，我们提出了一种结构化的分类法，以系统地将LLMS在RL中的功能分类，包括四个角色：信息处理器，奖励设计师，决策者，决策者和生成器。对于每个角色，我们总结了方法论，分析缓解的特定RL挑战，并提供对未来方向的见解。最后，讨论了对LLM增强RL的每个角色，潜在应用，潜在的机会和挑战的比较分析。通过提出这种分类法，我们旨在为研究人员提供一个有效利用RL领域中LLM的框架，从而在复杂应用中加速RL应用程序，例如机器人技术，自动驾驶和能源系统。
密码子的使用偏见水平预测分类学身份和遗传组成
在这项研究中，我们研究了生物体的密码子使用偏置水平如何作为生命三个王国（古细菌，细菌，eukarya）的各种基因组和进化特征的预测因素和分类。我们对现有遗传数据集进行了次要分析，以构建几种人工智能（AI）和机器学习模型，这些模型对13,000多种生物进行了培训，这些模型表明可以准确地预测有机体的DNA类型（核，线粒体，氯肾上腺素），并简单地使用其遗传密码（64 codon codon codon codain usece频率）。通过利用先进的AI和机器学习方法来准确地识别来自密码子使用模式的进化起源和遗传组成，我们的研究表明，遗传密码可用于训练精确的机器学习分类和系统发育特征的机器学习分类器。我们的数据集和分析在GitHub和UCI机器学习存储库（https：//archive.ics.uci.edu/ml/datasets/codon+usage）上公开可用，以促进开放源的可重复性和社区参与。