摘要 — 在本研究中,我们利用偏最小二乘 (PLS) 模型分析阿尔茨海默病 (AD) 中灰质萎缩的遗传基础。为此,我们考虑了来自 T1 加权磁共振成像的 42 个特征,包括皮质厚度和皮质下体积来描述成像表型,而基因型信息包括 14 个最近提出的 AD 相关多基因风险评分 (PRS),通过包括通过不同显着性阈值的单核苷酸多态性来计算。PLS 模型应用于从阿尔茨海默病神经影像学倡议 (ADNI) 数据库获得的大型研究队列,包括健康个体和 AD 患者,并在独立的 ADNI 轻度认知障碍 (MCI) 队列上进行了验证,包括早期 (EMCI) 和晚期 MCI (LMCI)。实验结果证实了 AD 中脑萎缩和基因型数据之间存在联合动态,同时在临床异质性队列上进行测试时提供了重要的泛化结果。特别是,AD 特异性较低的 PRS 评分与皮质厚度呈负相关,而 AD 特异性较高的 PRS 在特定皮质下体积和皮质厚度之间显示出特殊的相关模式。虽然第一个结果与众所周知的 AD 神经退化过程一致,但第二个结果可能揭示了不同的 AD 亚型。索引术语 — 偏最小二乘法、成像遗传学、灰质萎缩、多基因风险评分
所有作者均来自波士顿学院退休研究中心。Laura D. Quinby 是高级研究经济学家,Robert Siliciano 是研究经济学家,Gal Wettstein 是高级研究经济学家。本文报告的研究是根据美国社会保障局 (SSA) 的一项拨款进行的,该拨款是退休和残疾研究联盟 (RDRC) 的一部分。所表达的发现和结论仅代表作者的观点,不代表 SSA、联邦政府的任何机构或波士顿学院的观点。美国政府及其任何机构或其任何雇员均不对本报告内容的准确性、完整性或实用性作任何明示或暗示的保证,也不承担任何法律责任。本文中对任何特定商业产品、工艺或服务的商品名、商标、制造商或其他方面的引用并不一定构成或暗示美国政府或其任何机构的认可、推荐或支持。
人工智能如何改变我们做出购买决策的方式?这对商标法意味着什么?商标法的核心在于如何购买商品和服务,而由于人工智能正在影响购买过程,因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程:(a)消费者可获得的品牌信息和(b)谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”,控制向消费者提供哪些品牌信息,并以纯粹的形式购买品牌产品,在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预,从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”,例如“混淆”、“不完全记忆”、“联想”和“商标混淆”,这些概念都围绕着人类的弱点。然而,人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗?它会混淆商标吗?人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买,这就是所谓的人工智能黑箱问题吗?人工智能应用程序经常受到个人消费者过去购买决策的影响,而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下,知识产权侵权责任问题也引起了重要的问题。然而,即使人工智能应用程序不做出购买决策,它仍然会影响消费者在做出购买决策时可用的品牌信息。例如,亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品,它而不是人类消费者掌握着所有的品牌信息。然而,人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的,但并非史无前例。现代商标法诞生于十九世纪,并发展到现代。然而,在此期间,购买过程并非一成不变,而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化,从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化,实际上可以说是适应性最强的知识产权法形式。例如,关于人工智能应用程序的责任问题,我们已经可以从关键词广告的案例中得到指导,例如谷歌法国,它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色,则人工智能应用程序提供商不太可能被追究责任,如果人工智能应用程序在购买决策中扮演更积极的角色,并且可以说人工智能提供商在购买决策中强烈影响消费者,则更有可能发现责任。商标法已经适应了购买过程的变化,并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis
本研究使用一手和二手数据,考察了肯尼亚利率管制前后金融科技/数字金融服务对各层级银行业绩的影响。二手数据的结果显示,数字金融服务在两个时期都对大型银行的业绩产生了显著的积极影响,但仅在利率上限期间对中型银行产生了显著的积极影响,而在利率上限之后对小型银行产生了显著的消极影响。对一手数据的分析表明,商业银行仍然主导着金融格局,数字贷款服务占金融体系全部贷款的不到 1%,但非银行参与者的贷款供应正在增长。然而,非银行信贷仅提供极高利率的贷款,平均年利率约为 70%,而商业银行提供的利率为 10-20%。大多数受访商业银行认为数字金融服务对提高金融产品和服务效率和范围具有补充作用。结果表明,需要制定策略,避免进一步排斥那些可能买不起智能手机、无法上网或不熟悉智能手机功能的低收入者。非银行信贷提供商的资金来源多种多样,因此,需要了解国内银行系统以外的其他资金来源的影响。此外,结果表明,需要设计和实施策略,为客户提供足够的信息,包括缩小技术与人之间的差距。