XiaoMi-AI文件搜索系统
World File Search System推测
共同设计合作伙伴作为变革型学习者：通过以推测关系为中心为学校设想理想的技术
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
对有关并发有效性的推测的回应......
范围限制校正的概念基础 范围限制会导致低估与标准相关的效度（Carretta & Ree，2022 年）。范围限制校正的公式是众所周知的且无争议的（Schmidt 等人，1976 年；Sackett 和 Yang，2000 年）。焦点文章遵循 Sackett 等人（2022 年）提供的逻辑，声称先前对预测因子效度的荟萃分析中的大多数范围限制校正都是不合适的。特别是，Sackett 等人通过断言所使用的范围限制数据通常不具有代表性，对在效度泛化中使用人工分布进行校正提出了质疑。因此，他们推理说，在他们看来，不具代表性的分布高估了实际效度。这是一个需要实证证据的重要挑战。提供了什么证据？从根本上说，他们的推理是概念性的。 Sackett 等人指出，“研究包含了计算 U 比所需的信息（以校正范围
早期预测了新发心力衰竭患者左心室功能改善，并推测
抽象目的确定基线特征可预测左心室射血分数（LVEF）的恢复患者，该患者被诊断出患有射血分数降低（HFREF）和假定的非缺血性病因的患者。方法我们前瞻性招募的患者被诊断为超声心动图（LVEF≤40％），随后接受心脏MRI。如果患者有冠状动脉疾病史（侵入性冠状动脉造影术> 70％），心肌梗死，冠状动脉血运重建或角质症状，则将被排除在外。在心脏MRI评估中，患者被归类为持续的HFREF或心力衰竭，射血分数提高（HFIMPEF，LVEF> 40％，≥10％，≥10％的绝对改善）。临床特征。逻辑回归以识别与LVEF恢复相关的变量。通过接收器操作特征曲线分析确定了QRisk3分数和基线LVEF预测LVEF恢复的最佳截止。结果总共诊断出407例HFREF患者，在心脏MRI评估中（中位数为63天，IQR 41-119天），有139（34％）获得HFIMPEF。患者的平均年龄为63±12岁，男性为260（63.9％）。在多元逻辑回归中，Qrisk3分数（HR 0.978; 95％CI 0.963至0.993至0.993，p = 0.004）和基线LVEF（HR 1.044; 95％CI 1.015至1.073，p = 0.002）都是Hfimpef的独立预测指标。基线LVEF≤25％的患者中，只有22（21.8％）回收。在基线LVEF 25–40％的患者中，Qrisk3评分> 18％与缺乏恢复有关（HR 2.75; 95％CI 1.70至4.48，p <0.001）。此外，QRISK3评分与缺血性高脂蛋白增强的存在有关（HR 1.035; 95％CI 1.018至1.053，p <0.001）。结论Qrisk3评分有助于识别患有未诊断血管疾病的HFREF患者。基线LVEF或高QRISK3评分的患者的左心室恢复的可能性较小，应优先考虑早期心脏MRI和密切监测。
“你触摸的一切都会改变”：将推测性设计的经典扩展到黑色未来
传统的技术设计方法历来忽视了黑人参与和概念化未来技术的能力。种族和阶级边缘群体的设计贡献往往被忽视，很少被视为设计标准。虽然已经出现了一些框架来鼓励人们关注设计中的性别和社会公正，但很少有研究承认黑人想象在这一过程中的证据。当前的设计规范将未来和推测定义为源于对科幻小说的狭隘看法，其中不包括黑人未来主义的观点。在本文中，我们扩展了设计规范，认为非洲未来主义、非洲未来主义女权主义和黑人女权主义等框架在设计对我们未来技术格局的想象中发挥了重要作用。我们为谁在设计中走向未来的更大讨论做出了贡献，提出了概念化设计的人和考虑设计社会影响的人之间的对话关系。
ChatGPT 和生成人工智能 (AI) 上的推测未来：教育领域的集体反思
教育景观的集体反思 Aras Bozkurt、肖军红、莎拉·兰伯特、Angelica Pazurek、Helen Crompton、Suzan Koseoglu、Robert Farrow、Melissa Bond、Chrissi Nerantzi、Sarah Honeychurch、Maha Bali、Jon Dron、Kamran Mir、Bonnie Stewart、Eamon Costello、Jon Mason、Christian M. Stracke、Enilda Romero-Hall、 Apostolos Kouttropoulos、Cathy Mae Toquero、Lenandlar Singh、Ahmed Tlili、Kyungmee Lee、Mark Nichols、Ebba Ossiannilsson、Mark Brown、Valerie Irvine、Juliana Elisa Raffaghelli、Gema Santos-Hermosa、Orna Farrell、Taskeen Adam、Ying Li Thong、Sunagul Sani-Bozkurt、Ramesh C. Sharma、 Stefan Hrastinski、Petar Jandrić 摘要：虽然ChatGPT 最近变得非常流行，AI 有着悠久的历史和哲学。本文旨在通过采用推测方法，探索生成式预训练 Transformer (GPT) AI 和潜在未来技术的前景和陷阱。提供了推测性的未来叙述，特别关注教育背景，试图确定新兴主题并讨论它们对 21 世纪教育的影响。从叙述中确定并讨论了（使用）AI 在教育中（AIEd）的承受力和可能的不利影响。有人认为，现在是定义人类与 AI 对教育贡献的最佳时机，因为 AI 可以完成越来越多的教育活动，而这些活动曾经是人类教育者的特权。因此，必须以面向未来的心态重新思考技术和人类教育者在教育中的各自角色。关键词：人工智能（AI）、生成式预训练转换器（GPT）、自然语言处理、教育人工智能（AIEd）、未来教育前景、推测方法
超越技术的推测：通过讲故事构建场景
“现代建筑方法”这一术语在很大程度上等同于工厂中产品组件的预制。新兴技术，例如机器人技术和人工智能 (AI)，正在重新定义现代建筑方法的概念，并破坏该行业的结构以满足其实施条件。例如，机器人技术和基于机器的自动化有望迅速而显著地改变建筑制造技术，但变化的程度以及对构成该行业的组织、供应链和商业模式的相关影响仍然未知。现有的预见主要以轨迹视角为主，过分强调技术预测，而忽视了对理解技术采用最有帮助的实施背景故事。本文介绍的另一种方法侧重于讲故事、场景设计和用于帮助传达这些场景的视觉图像。这些让从业者能够探索机器人技术和基于机器的自动化如何在行业的不同特征中发挥作用。该研究涉及分析现有数据集以创建四种情景，然后通过参与式研讨会和访谈调整和扩展这些情景。项目参与者包括制造和建筑制造领域的七家中小型企业 (SME)、一家一级承包商以及来自行业咨询委员会和教育中心的两位知名行业专家。
引用：Jang, S. 和 Nam, K. -Y. (2022)。利用推测设计设计人机交互。档案
背景 理解人工智能 (AI) 并思考其影响面临着巨大的挑战。解决这个问题的一个有效方法是推测设计 (SD)，它主要涉及构建叙事，以激发对技术设计和社会采用的讨论。然而，在人工智能背景下对 SD 叙事的研究很少。因此，本研究旨在确定 SD 中涉及人机交互的叙事主题。
非常大的脉冲神经网络的推测分布式模拟
脉冲神经网络是一类与生物神经网络非常相似的人工神经网络。它们尤其令人感兴趣，因为它们有可能推动多个领域的研究，既因为它们对神经行为的更深入了解（有益于医学、神经科学和心理学），也因为它们在人工智能方面的潜力。它们一旦在硬件中实现，就能以较低的能耗运行，这使得它们更具吸引力。然而，由于它们的行为会随着时间而演变，当无法实现硬件时，它们的输出不能简单地用一次性函数计算（无论多么复杂），而是需要进行模拟。模拟脉冲神经网络的成本极高，主要是因为它们的规模庞大。由于同步方法保守，许多当前的模拟方法难以在更强大的系统上扩展。可扩展性通常是通过近似实际结果来实现的。在本文中，我们介绍了一种遵循时间扭曲同步协议的建模方法和运行时环境支持，该方法可以实现脉冲神经网络模型的推测性分布式模拟，并提高结果的准确性。我们讨论了允许有效推测性模拟的方法和技术方面，并对大型虚拟化环境进行了实验评估，这表明模拟由数百万个神经元组成的网络是可行的。
环境侵权案件中的推测性损害赔偿
CWA 的规定。CWA 规范了进入土壤和地下水的污染物。州法律效仿联邦法律，也规范污染。14 每个州都采用以数值限制为特征的清理标准，这些标准可作为设计补救系统的指导方针，并确定何时出于监管目的将财产视为清洁。一旦责任方将污染物水平降低到数值限制以下，财产即被视为清洁，该方即可结案。5 结案并不一定意味着所有污染物都已从财产中清除。相反，结案仅表示补救措施满足州清理标准，该标准通常要求的程度低于清除所有污染物。