XiaoMi-AI文件搜索系统
World File Search System得到
让人工智能在全球南方得到解释：系统评价
人工智能 (AI) 和机器学习 (ML) 正迅速普及，影响着全球所有人的生活。为了让原本“黑匣子”的 AI/ML 系统更容易理解，可解释人工智能 (XAI) 领域应运而生，其目标是开发算法、工具包、框架和其他技术，使人们能够理解、信任和管理 AI 系统。然而，尽管 XAI 是一个快速发展的研究领域，但大部分工作都集中在全球北方的背景下，人们对 XAI 技术是否或如何在全球南方的社区中进行设计、部署或测试知之甚少。这一差距令人担忧，尤其是考虑到政府、公司和学术界对使用 AI/ML 解决全球南方问题的热情日益高涨。我们的论文首次系统性地回顾了全球南方的 XAI 研究，为该领域的新兴工作提供了初步了解。我们从 15 个不同的场所确定了 16 篇论文，这些论文针对广泛的应用领域。所有论文均在过去三年内发表。在 16 篇论文中，有 13 篇侧重于应用技术 XAI 方法，所有这些方法都涉及使用（至少部分）本地数据。但是，只有三篇论文涉及或涉及人类参与工作，只有一篇尝试向目标用户部署他们的 XAI 系统。最后，我们反思了全球南方 XAI 研究的现状，讨论了在这些地区构建和部署 XAI 系统的数据和模型考虑因素，并强调了全球南方 XAI 需要以人为本的方法。
![b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'](/simg/8/855f3c9598aa8a034e402cab16971aa1920b4ee4.webp)
b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'
b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'
人工智能研究中的二十个重要问题，以及通过 SP 智能理论及其在 SP 计算机模型中的实现可能得到的解决方案
摘要：本文重点介绍了人工智能研究中的 20 个重要问题，并提出了通过 SP 智能理论 (SPTI) 及其在 SP 计算机模型中的实现可能得到的解决方案。结合本文中引用的其他证据，这些有力地证明了 SPTI 是开发人类水平的广义人工智能（又称通用人工智能）的有希望的基础。这 20 个问题包括：深度神经网络在识别中容易犯重大错误；需要对泛化、过度泛化和泛化不足进行连贯的说明，并尽量减少“脏数据”的破坏作用；如何实现一次性学习；如何实现迁移学习；知识表示和处理需要透明；以及如何消除灾难性遗忘的问题。除了有望成为 AGI 开发的基础之外，SPTI 还有潜力成为研究人类学习、感知和认知的基础。它有潜力成为数学、逻辑和计算的基础。
轻度认知障碍患者的注意力和运动技能得到改善......
严肃游戏发展迅速，为认知障碍患者提供认知刺激。为此，我们创建了 COSMA 游戏。在这项针对轻度认知障碍 (MCI) 患者的双臂研究中，我们通过使用大脑刺激游戏平台 COSMA 游戏 28 天，研究了信息处理速度和认知技能。我们在神经心理学评估期间使用剑桥神经心理学测试自动化电池和 COSMA 游戏测量了反应时间。结果显示，在研究结束时，在家玩 COSMA 28 天的 MCI 患者在 48% 的 COSMA 游戏中速度更快，而仅在实验室访问期间玩 COSMA 的对照组在 20% 的 COSMA 游戏中速度更快。总体而言，这些结果表明，MCI 患者可以练习运动技能并保持学习成果，并且这些技能仍然可以通过定期练习 COSMA 游戏来提高。
通过溶胶-凝胶燃烧得到的 Dy3+ 掺杂 CaAl2O4 的光致发光和余辉
其中 Dy 3+ 掺杂的铝酸钙 (CaAl 2 O 4 :Dy 3+ ) 是一种著名的无机荧光粉，在紫外激发下可发出白色光致发光 (PL)。5 CaAl 2 O 4 :Dy 3+ 除了白色的 PL 之外，即使去除紫外激发后，仍呈现白色的余辉。6 根据 Liu 等人在 2005 年报道，Dy 3+ 是 CaAl 2 O 4 :Dy 3+ 余辉的发光中心，在最佳掺杂浓度为 2 at% 时，固相反应生成的 CaAl 2 O 4 :Dy 3+ 的白色余辉持续时间为 32 分钟。 6 对于辉光材料，带电载流子的激发、迁移、捕获、释放和辐射复合过程对于理解其辉光性质至关重要。 7 – 9 例如，只有当陷阱具有适当的活化能（大约 0.65 eV）时，才能在室温下实现长时间的辉光，而浅陷阱（E # 0.4 eV）和深陷阱（E > 2 eV）并不理想，因为它们在室温下很容易或很难被清空。 7 到目前为止，只有一篇关于 CaAl 2 O 4 :Dy 3+ 辉光的报道，没有完全揭示带电载流子的激发、迁移、捕获和释放过程。缺乏这方面的知识阻碍了对辉光材料的进一步研究。
从增材制造硬件中得到的经验教训...
日期 时间 事件 切片编号 高度（英寸） 重启 暴露在空气中？ 2020 年 1 月 16 日 构建完成 8889 14 2020 年 1 月 14 日 5:10 断电 8764 13.805 7:01 无主动清除，腔室密封 2020 年 1 月 11 日 14:13 电压下降 8084 12.731 14:25 无主动清除，腔室密封 2020 年 1 月 8 日 17:41 空溢流 6562 10.332 18:47 暴露在空气中 2020 年 1 月 4 日 12:48 空溢流 2968 4.674 13:14 暴露在空气中 2019 年 12 月 30 日 构建开始 0 0
第 14 章 特殊报告代码 (SRC) 和职责分配 这些报告分类仅用于人员和/或职位报告目的。 a. 本节所述的职责分配代码已建立，用于识别职位描述与特定 CMF 或 MOS 无直接关联的职位。这些代码允许在部队结构和库存变化方面具有更大的灵活性，从而可以进行更准确的编码以满足要求，但受到控制，通常需要得到代码批准机构的批准，然后才能在授权文件中对职位进行编码。职责分配代码包含前两位数字 00。 b. 已建立特殊报告代码以识别本节所述的特殊类别的人员。人员报告文件中将使用特殊报告代码来反映士兵的报告分类。特殊报告代码包含前两位数字 09。 14-1. 特殊职责分配 (00D) a. 此代码 (00D) 将用于识别组织授权文件中批准的特殊职责分配职位，并报告分配到这些职位的士兵的职责 MOS。授权文件在获得 HQDA、ODCS G-1 (DAPE-PRP) 批准之前不会标明 SRC 00D（见表 14-2）。特殊职责岗位必须符合以下标准：（1）职责涉及一般军事技能/教育或独特的特殊资格，与特定职责无直接关系
第 14 章 特殊报告代码 (SRC) 和职责分配 这些报告分类仅用于人员和/或职位报告目的。a.本节所述的职责分配代码已建立，用于识别职位描述与特定 CMF 或 MOS 无直接关联的职位。这些代码允许在部队结构和库存变化方面具有更大的灵活性，允许更准确的编码以满足要求，但受到控制，通常需要获得代码批准机构的批准，然后才能在授权文件中对职位进行编码。职责分配代码包含前两位数字 00。 b.已建立特殊报告代码以识别本节所述的特殊类别的人员。特殊报告代码将用于人员报告文件中，以反映士兵的报告分类。特殊报告代码包含前两位数字 09。14-1。特殊职责分配 (00D) a。此代码 (00D) 将用于识别组织授权文件中已批准的特殊职责分配职位，并报告分配到这些职位的士兵的职责 MOS。在获得 HQDA、ODCS G-1 (DAPE-PRP) 批准之前，授权文件不会标有 SRC 00D（见表 14-2）。特殊职责职位必须满足以下标准： (1) 职责涉及一般军事技能/教育或与特定 MOS（MOS 无关紧要）不直接相关的独特特殊资格。(2) 职责需要独特的民事技能/教育或组件独特经验，这些经验未在本法规的其他地方归类为标识符。(3) 技能和知识通常无法从其他军事组织的其他岗位获得。(4) 驻地或非驻地军校课程既不适用也不适用于培训人员执行所需职责。(5) 涉及的职位数量太少，不足以建立新的 MOS 或其他职业标识符。b.识别 SRC 00D 职位的请求将转发给 ODCS G-1，收件人：DAPE-PRP，300 Army Pentagon，华盛顿特区 20310-0300，并将包括以下信息： (1) 单位识别码、命令代码和职位所在的授权文件的文件编号。(2) 段落和行号。(3) 薪级。(4) 授权数量。(5) 职位描述，包括-- (a) 职责。(1) 随员 (SQI 7) 职位。(b) 所需的最低技能和知识。(6) 与特定 MOS 无关的一般军事技能/教育或独特技能的摘要，或成功执行工作所需的民事教育/培训/经验。(7) 解释为什么不能用现有的陆军标识符编码该工作。c. 除非在初始批准时获得接受（如下文第 d 项所列），否则批准将一直有效，直到任务发生变化或 3 年（以先到者为准）。如果要求有效期超过 3 年，必须重新提交理由以供 HQDA 审查和批准继续有效。d. 批准使用 SRC 00D 的组织或任务集，无需 3 年续签要求。(2) 陆军要求/授权文件中的其他军事服务职位。(3) 伤亡和纪念事务行动中心 (CMAOC) 职位。(4) 监察长 (IG) NCO 职位。(5) 动员 TDA 中的 MOS 非重要职位。(6) 现役部队要求/授权文件中的预备役部队 MOS 00F/00G 非重要职位。(7) 国防部/陆军部信使职位。(8) 总部、信息作战 (IO) 组/营/BNFSB/BNGSB (SRC 53519Gxxx/53612Gxxx/53616Gxxx/ 63617Gxxx/53618Gxxx) 中的 MOS 非重要职位。(9) 美国陆军降落伞队 (W027AA)。
玩电子游戏时，视觉诱发的反应会得到增强
摘要 众所周知，视觉可以引导运动，但人们很少意识到运动皮层也为视觉系统提供输入。在本文中，我们研究了视觉刺激的神经处理是否在运动活动期间受到剧烈调节，假设在从事依赖于视觉刺激的运动任务时，视觉诱发反应会得到增强。为了验证这一点，我们告诉参与者，他们的大脑活动是控制视频游戏，而实际上，该游戏是预先录制的游戏的回放。这种欺骗对一半的参与者有效，旨在调动运动系统，同时避免与实际运动或躯体感觉相关的诱发反应。在其他试验中，受试者主动使用键盘控制玩游戏或被动观看回放。视觉诱发反应的强度是通过连续刺激和头皮上的诱发电位之间的时间相关性来衡量的。我们发现被动观看期间相关性降低，但主动和假玩之间没有差异。在假游戏过程中，中央电极上的 Alpha 波段 (8-12 Hz) 活动减少，表明尽管没有明显的运动，但运动皮层仍然被激活。为了解释游戏过程中注意力的潜在增加，我们进行了第二项研究，受试者在观看过程中数屏幕上的项目。我们再次发现假游戏过程中相关性增加，但数数和被动观看之间没有差异。虽然我们不能完全排除注意力的参与，但我们的研究结果确实表明在主动视觉过程中视觉诱发反应有所增强。
出版版本引用（哈佛）：Tercero-Hidalgo, JR, Khan, KS, Bueno-Cavanillas, A, Fernández-López, R, Huete, JF, Amezcua-Prieto, C, Zamora, J & Fernández-Luna, JM 2022，“COVID-19 证据合成中的人工智能未得到充分利用，但有影响力：一项方法学研究”，《临床流行病学杂志》，卷。 148，第 124-134 页。 https://doi.org/10.1016/j.jclinepi.2022.04.027
目标：像大流行这样快速发展的情景需要迅速制作高质量的系统评价，而这可以使用人工智能 (AI) 技术实现自动化。我们评估了 AI 工具在 COVID-19 证据综合中的应用。研究设计：在前瞻性注册审查协议后，我们自动下载了 COVID-19 生活证据概览数据库中所有开放获取的 COVID-19 系统评价，为它们编制了与 AI 相关的关键字的索引，并找到了使用 AI 工具的评价。我们将他们的期刊的 JCR 影响因子、每月引用量、筛选工作量、完成时间（从预注册到预印本或提交给期刊）和 AMSTAR-2 方法评估（最高分 13 分）与一组没有 AI 的出版日期匹配的对照评论进行了比较。结果：在 3,999 篇 COVID-19 评论中，有 28 篇（0.7%，95% CI 0.47 e 1.03%）使用了 AI。平均而言，与对照组（n = 64）相比，AI 评论发表在影响因子更高的期刊上（中位数 8.9 vs. 3.5，P !0.001），每位作者筛选的摘要更多（302.2 vs. 140.3，P = 0.009）和每项纳入的研究（189.0 vs. 365.8，P !0.001），但每位作者检查的全文较少（5.3 vs. 14.0，P = 0.005）。在引用计数（0.5 vs. 0.6，P = 0.600）、每项纳入研究的全文检查（3.8 vs. 3.4，P = 0.481）、完成时间（74.0 vs. 123.0，P = 0.205）或 AMSTAR-2（7.5 vs. 6.3，P = 0.119）方面均未发现差异。结论：AI 是 COVID-19 系统评价中未充分利用的工具。与不使用 AI 的评价相比，使用 AI 可以更有效地筛选文献并提高出版影响力。AI 在系统评价自动化方面具有应用空间。2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http:// creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。