XiaoMi-AI文件搜索系统
World File Search System计算机化
学习者对计算机化认知训练转移到 L2 学习的看法：COVID-19 的适应性案例
摘要 认知训练 (CT) 是指通过练习和/或有意识的指导来提高认知和大脑机制效率的程序。计算机化认知训练 (CCT) 领域的一个极具争议的问题是它可能转移到非训练领域；一门尚未涉及的学科是第二语言 (L) 学习。因此，由于注意力的促进作用和工作记忆在 L 发展和理解中的预测强度，CCT 对英语学习者来说似乎是必要的。此外，很少有研究调查过用户对其认知功能潜在改善的看法。为了填补这些固有的空白并克服在 COVID 大流行期间进行干预研究所面临的障碍，本研究采用跨学科方法来探索英语学习者自我感知的远程自适应多领域计算机化认知训练 (RAMCCT) 在一般认知功能和 L 特定认知功能中的远迁移 (FT) 效应。因此，对完成了八周 RAMCCT 的中级 EFL 学习者进行了 L 接受技能课程（阅读和听力）的在线观察和同步半结构化访谈。主题分析 (TA) 显示，在一般认知功能中，工作记忆、注意力、多任务处理、处理速度、手眼/耳协调性都有所提高，在注意力和理解力以及速度方面，L 接受技能中的一项或两项都有所提高。通过注意力、工作记忆和多任务处理之间的相应联系以及核心认知过程的自动化讨论了结果。其含义涉及游戏设计师、L 教师、教师培训项目和研究人员。关键词：计算机化认知训练、远迁移、L 接受技能、主题分析、COVID-。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
计算机化病历系统 (CPRS) 用户指南
· 订购复杂门诊用药增加了适应症步骤 · 订购连续门诊输液订单捕获和适应症 · 订购连续门诊输液订单步骤以适应症 · 订购间歇门诊输液捕获和适应症 · 订购间歇门诊输液增加了适应症步骤 · 订购门诊用药简单剂量捕获和适应症 · 订购门诊用药简单剂量增加了适应症步骤 · 订购门诊用药复杂剂量增加了适应症捕获 · 订购门诊用药复杂剂量增加了适应症步骤 · 适应症添加到记录非 VA 药物 · 连续输液订单捕获和适应症 · 连续输液订单步骤以适应症 · 间歇输液订单捕获和适应症 · 间歇输液订单捕获和适应症
OBM 神经生物学认知计算机化评估...
认知发展评估，尤其是学龄前儿童的认知发展评估，是当代面临的挑战之一。根据 Zablotsky 等人 [1] 的研究，在 2009 年至 2017 年的一项研究中，在 88,530 名 3-17 岁儿童中，约 17% 被发现患有发育障碍。此外，他们还报告称，9.04% 的儿童患有注意力缺陷多动障碍 (ADHD)，7.74% 的儿童患有学习障碍 (LD)，1.10% 的儿童患有智力障碍 (ID)，1.74% 的儿童患有自闭症谱系障碍 (ASD)。在发育障碍的范畴内，许多障碍往往相互并发。例如，20% 至 40% 的 ADHD 儿童患有阅读障碍 [2, 3]，而患有 ASD 的儿童患阅读障碍的风险也较高 [3, 4]。患有计算障碍 [3, 5] 和书写障碍 [3, 6] 的儿童比没有计算障碍的儿童更容易患诵读困难 [3]。因此，大约 95% 的发育障碍儿童都患有 ADHD 和 LD，而 82% 的发育障碍儿童患有 ADHD 或 LD 或两者兼有。
待定互联网计算机化自适应测试 (PiCAT) ...
1 背景................................................................................................................................ 3 1.1 互联网计算机化自适应测试 (i CAT) .......................................................................................... 3 1.2 AFQT 预测测试 (APT) ...................................................................................................... 3 1.3 待定互联网计算机化自适应测试 (P i CAT) ............................................................................. 4 1.4 访问网络应用程序的权限.................................................................................................... 4 2 i CAT 测试应用程序.................................................................................................................... 5 2.1 注册潜在申请人.................................................................................................................... 5 2.2 参加 APT............................................................................................................................. 9 2.2.1 参加 APT 的要求............................................................................................................. 9 2.2.2 APT 说明............................................................................................................................. 9 2.3 参加 P i CAT 测试............................................................................................................. 12 2.3.1 参加 P i CAT 的要求............................................................................................................. 12 2.3.2 P i CAT 说明 ................................................................................................................13 2.4 参加验证 (Vtest) ................................................................................................................16 2.5 分数报告 ..............................................................................................................................17 3 解决技术问题 ......................................................................................................................20 4 附录 A：PiCAT 说明/访问代码打印输出 ................................................................................21 5 附录 B：APT 说明/访问代码打印输出 ................................................................................22 6 附录 C：隐私法声明 .............................................................................................................23 7 附录 D：修订历史 .............................................................................................................24
计算机化测试的过去、现在和未来
1 → “这是除法。” 6 → “这是加法。不错，但让我们更富有想象力。” 9 → “这是乘法。不错。” 27 → “这是幂。不错。” 33 → “你把三放在一起了。这很不错。” 8 → “你用倒三把它们叠在一起。这很棒。” 其他 → “这是我没有想到的答案。”
让医疗保健更安全 IV_快速审查_计算机化临床决策支持，预防用药错误和药物不良事件
结果。我们的搜索产生了 1,335 篇独特的摘要，其中 33 篇文章符合目标标准并被纳入审查（27 篇系统性审查、1 篇审查概述和 5 篇主要研究）。20 篇报告有效性的审查（共 22 篇）被评为“良好”或“公平”质量。叙述性综合中包括的一项主要研究被评为具有“低”偏倚风险。证据涵盖了 CDSS 对各种医疗环境和专业的影响。CDSS 提供的决策支持类型和结果在研究之间是异质的。总体而言，使用药物相关 CDSS 的计算机化医嘱录入与减少用药错误（中等强度证据）和预防药物不良事件（低强度证据）相关。改进或有针对性的药物相关 CDSS 与减少用药错误和药物不良事件（中等强度证据）相关。但是，警报覆盖率很高，且在不同研究中有所不同，覆盖的适当性在很大程度上受警报类型的影响。其他意外后果包括与 CDSS 相关的错误、过度依赖警报、警报疲劳、不适当的警报覆盖和提供商倦怠。另外 48 篇文章重点介绍了 CDSS 实施的障碍和促进因素。
使用计算机化的视觉反馈
摘要：最近的研究分析了使用计算机系统的发育协调障碍（DCD）儿童的写作指标。迄今为止，尚未研究使用计算机化的视觉反馈来改善手写。本研究旨在检查计算机视觉反馈对DCD儿童的时间，空间取向以及压力指数的影响。27岁的7至12岁儿童，由儿童运动评估电池评估，发育协调障碍问卷进行了每周一次的干预课程，为期8周，在此期间，他们两次将摘录复制到平板电脑上。一次，他们收到视觉反馈，其中写作颜色与写作表面的压力程度相对应，一旦他们收到视觉反馈。在整个课程中，这两个条件都平衡了。将干预前的课程与干预后会议以及时间，空间或压力度量的新文本进行了比较。发现的发现显着减少了总和写作，空中以及写作时间以及在视觉反馈条件下的容量增加。在空间变量中，发现字母高度方差的显着降低。在整个干预过程中，压力通过视觉反馈显着增加，而在两种条件下的写作任务中的测试后降低，并在新文本中保持了。培训有效性是可以转移的，干预可及性可以提高学生的自主权。视觉反馈干预可以增加在写作过程中调节压力所需的动力 - 热反馈，促进更多有效的前馈过程并提高产出质量和容量。
基于网格的量子计算机化学模拟方法
对于量子计算机来说，首先量化的、基于网格的化学建模方法是一种自然而优雅的选择。然而，使用今天的量子原型来探索这种方法的威力是不可行的，因为它需要大量近乎完美的量子比特。在这里，我们使用精确模拟的量子计算机，最多有 36 个量子比特，来执行深度但资源节约的算法，用单个和成对的粒子来建模二维和三维原子。我们探索了一系列任务，从基态准备和能量估计到散射和电离动力学；我们评估了分裂算子量子场论 (SO-QFT) 哈密顿模拟范式中的各种方法，包括先前在理论论文中描述的协议和我们自己的技术。虽然我们发现了某些限制和注意事项，但一般来说，基于网格的方法表现得非常好；我们的结果与以下观点一致：从早期容错量子计算时代开始，第一量化范式将占据主导地位。
计算机化认知训练和全球的可接受性
摘要背景：尽管癌症相关认知障碍 (CRCI) 是乳腺癌幸存者 (BCS) 的常见症状，但在确定幸存者可接受的干预措施方面需要更加重视。目的：这项定性描述性研究的目的是通过确定实施计算机化认知训练 (BrainHQ) 和计算机化整体认知刺激游戏（例如，计算机化单词查找、拼图等）比较器的促进因素和障碍来检查认知程序的可接受性，这些比较器远程交付以从 BCS 的角度改善 CRCI。方法：参加并完成计算机化认知训练随机对照试验的 BCS（n = 35）：19 个认知训练（BrainHQ）和 16 个整体认知刺激游戏（填字游戏、拼图等）在训练后接受访谈。使用半结构化问题，记录并逐字转录。使用标准内容分析分析定性数据