XiaoMi-AI文件搜索系统
World File Search System探索
公民对公共服务采用人工智能有何看法？从社会契约视角探索公民态度
摘要 公共部门采用人工智能 (AI) 有可能改善服务交付。然而，与人工智能相关的风险很大，公民的担忧已经停止了多项人工智能计划。在本文中，我们报告了一项关于挪威公民对公共服务中使用人工智能的态度的实证研究的结果。我们发现公民普遍持积极态度，并确定了三个促成这一结果的因素：a) 对政府的高度信任；b) 人类参与所带来的保证；c) 对流程、用于人工智能模型的数据以及模型内部运作的透明度。我们通过社会契约理论的视角来解释这些发现，并展示了人工智能在公共服务中的引入如何受社会契约权力动态的影响。我们的研究通过突出政府与公民的关系为研究做出了贡献，并对公共部门的人工智能实践产生了影响。
探索 DNA 操作的先进技术
DNA 测序：DNA 测序是一种用于确定 DNA 分子中核苷酸顺序的技术。DNA 测序有几种方法，包括桑格测序、下一代测序 (NGS) 和单分子实时 (SMRT) 测序。桑格测序是一种广泛使用的方法，涉及使用荧光标记的脱氧核苷酸，当其掺入生长的 DNA 链中时会终止 DNA 合成。终止的片段通过凝胶电泳分离，并通过分析荧光信号的颜色来确定序列。NGS 是一种高通量方法，可以同时对数百万个 DNA 片段进行测序。SMRT 测序涉及使用单个 DNA 分子，对其进行实时测序。
社论：探索危机时期人类健康与城市本性之间的多方面关系
现在是时候超越传统界限并研究对绿色空间与人类健康之间的关系的更彻底的了解，即使对该主题的研究已经建立了良好的研究（Vidal等，2022）。考虑到气候变化和其他复合危机所带来的迫在眉睫的挑战尤其重要（Vidal等，2024）。本社论强调了对实用，包容和公平解决方案的需求，同时研究了新的范式，从而加深了我们对城市生态，健康和韧性的理解。许多健康优势，例如较少的心血管风险，更好的心理健康和社会凝聚力提高，一直与绿色空间有关（van den Berg等，2015； Lai等，2019）。根据荟萃分析，那些在绿色空间中花费更多时间的人的全因死亡率显着降低（Rojas-Rueda等人，2019年）。进入城市绿色空间对于在19日大流行期间的心理喘息至关重要，强调了其作为公共卫生基础设施的功能（Slater等，2020）。访问这些优势仍然不平衡。边缘化的人受到绿色空间可用性差异的影响不成比例，这加剧了健康差异（Rigolon，2016）。鉴于自然具有减少社会和健康不平等的能力，因此必须在城市发展中获得公平的访问权。绿色空间的常规定义 - 公园，花园和绿树成荫的街道 - 无法捕捉城市自然的多样性。大自然如何纳入城市基础设施中的创新和多用途解决方案（Raymond等，2017）。
使用三维模型探索DNA的结构
因此，这项工作的目的是开发一个三维嬉戏模型的DNA模型，以使用各种材料和3D打印机来促进遗传学教学。使用这些材料，我们创建了1.5米高的DNA结构的详细表示，包括双螺旋桨和氮基碱。是一种互动模型，具有可拆卸和彩色的碎片，使学生可以操纵和观察DNA的结构。学生将能够拆除和重新组装模型，这将有助于他们了解核苷酸与碱基互补性之间的相互作用（腺嘌呤 - timini和cantosine-guanine）。这个3D模型允许对DNA分子结构进行清晰准确的可视化，成为教学学习过程中教师的宝贵工具
通过势能视角探索模型的可转移性
由于预训练的深度学习模型大量可用，迁移学习在计算机视觉任务中变得至关重要。然而，从多样化的模型池中为特定的下游任务选择最佳的预训练模型仍然是一个挑战。现有的衡量预训练模型可迁移性的方法依赖于编码静态特征和任务标签之间的统计相关性，但它们忽略了微调过程中底层表示动态的影响，导致结果不可靠，尤其是对于自监督模型。在本文中，我们提出了一种名为 PED 的富有洞察力的物理启发方法来应对这些挑战。我们从势能的视角重新定义模型选择的挑战，并直接模拟影响微调动态的相互作用力。通过捕捉动态表示的运动来降低力驱动物理模型中的势能，我们可以获得增强的、更稳定的观察结果来估计可迁移性。在 10 个下游任务和 12 个自监督模型上的实验结果表明，我们的方法可以无缝集成到现有的排名技术中并提高其性能，揭示了其对模型选择任务的有效性以及理解迁移学习机制的潜力。代码可在 https://github.com/lixiaotong97/PED 上找到。
人工智能探索在线课程大纲
课程描述人工智能探索及其在学校的实际应用通过演示、实际使用示例、实施工具和资源以及互动活动向您介绍人工智能 (AI) 领域及其在 K-12 环境中的应用。本课程重点介绍人工智能技术的各个方面，这些技术有可能促进和利用学习，并解决学校和社区中的实际问题。作为教育工作者，您还将学习向学生揭示人工智能技术如何融入我们生活的许多不同方面。您将积极参与课程内容，参与在线活动并完成动手作业以应用您的学习。在整个课程中，您将获得可供借鉴的策略，因为您将开发一个基于项目的单元，学生可以在其中应用人工智能来解决问题。
空间系统地面段数据分析探索
摘要。空间系统必须处理由空间和地面传感器收集的大量时空地球和空间观测数据。尽管通信中存在数据延迟，但数据收集速度非常快，并且建立了复杂的地面站网络来收集和存档遥测数据。地面部分接收到的数据可以提供给最终用户。除了存档数据之外，可用数据还为数据分析提供了机会，可以支持决策过程或为目标需求提供新的见解。不幸的是，对于从业者来说，识别空间领域数据分析的潜力和挑战并不容易。在本文中，我们反思并综合了现有文献的发现，并为在空间系统环境中建立和应用数据分析提供了综合概述。为此，我们首先介绍空间系统中采用的流程，并描述数据科学和机器学习过程。最后，我们确定了可以映射到数据分析问题的关键问题。