XiaoMi-AI文件搜索系统
World File Search SystemAIE
引用本文：Selena Nemorin、Andreas Vlachidis、Hayford M. Ayerakwa 和 Andriotis (2023) AI 被炒作了吗？关于教育人工智能 (AIED) 和发展的论述的地平线扫描，学习、媒体和技术，48:1，38-51，DOI：10.1080/17439884.2022.2095568
摘要 本研究旨在了解人工智能生态系统如何与一种知识生产形式有关，这种形式具体化了某些类型的认识论。本文利用文本挖掘和主题分析，对过去几年 AIEd 辩论中出现的关键主题进行了横向扫描。我们首先讨论用于试验数字数据收集和分析方法的工具。然后，本文探讨了教育系统中的人工智能是如何被构想、炒作以及可能如何部署到全球教育环境中的。研究结果分为三个主题：（1）通过教育和技术创新实现地缘政治主导地位；（2）创造和扩大市场利基，以及（3）管理叙述、看法和规范。
2023年6月（v3）QP-论文1 Caie Biology IAL
说明•本文有40个问题。回答所有问题。•对于每个问题，有四个可能的答案A，B，C和D。选择您认为正确的一种，然后在多项选择答题表上以软铅笔记录您的选择。•遵循多项选择答题表上的说明。•用软铅笔写。•在提供的空间中的多项选择答案表上写下您的姓名，中心号码和候选号码，除非为您完成此操作。•请勿使用校正液。•请勿在任何条形码上写入。•您可以使用计算器。
操作人工智能伦理（OpAIE）研究计划
详细主题 推荐系统用于促进用户和优惠之间的匹配。几年来，它们已大量出现在商业导向应用中，例如在线广告或电影推荐等。在这种情况下，人们试图将用户与他或她最有可能点击的产品的潜在广告相匹配；或者他或她最有可能观看的电影。这些推荐系统主要以利润为导向（例如，最大化点击次数，增加用户参与度），因此它们往往不考虑公共服务标准。对于公共部门的推荐系统，公共服务标准可能会补充甚至取代利润最大化。开发公共服务推荐系统 [1] 是该项目的核心。我们的项目是终身学习过程的一部分。更准确地说，我们处理的输入数据是用户的学习路径，以文凭、所接受的培训和过去几年所担任的职位的序列形式呈现。我们的目标是根据给定的用户设置目标（例如新职位及其相关的技能集）推荐最适合的培训计划。公共推荐系统最近开始出现在研究文献中，例如解决就业市场上的工作推荐问题 [3, 2]，或在线教育资源推荐 [5, 4]，这两个领域与我们的项目表现出很强的共性。从这些先前的研究开始，我们的目标是探索顺序推荐系统 (RS) [6] 在这种背景下的潜力。RS 方法通常分为基于内容的（其中内容指的是用户的个人资料信息）和协同过滤（基于用户过去的互动）。另一方面，顺序 RS 旨在了解用户随时间变化的输入，并按顺序对其过去的互动进行建模。因此，这些模型对我们来说特别有趣。
用于从 MRI 图像中分割缺血性中风脑的混合 ResNet50-UNet 模型 1 Fathia ABOUDI、2 Cyrine DRISSI、3 Tarek KRAIEM
1 突尼斯埃尔马纳尔大学 (UTM) 生物物理与医学技术实验室 ISTMT，突尼斯 2 突尼斯蒙吉本哈米达国立神经病学研究所神经放射学系，突尼斯 3 突尼斯医学院生物物理与医学技术实验室，突尼斯 摘要 缺血性脑卒中是最常见的脑血管疾病，也是全球死亡和长期残疾的主要原因之一。及早发现缺血性脑卒中有助于医生及早诊断，从而大大减少死亡或残疾的可能性。医学研究中使用多种方式来检测缺血性脑卒中；不过，磁共振成像 (MRI) 仍然是该领域最有效的方式。最近，许多研究人员使用深度学习模型在 MRI 图像中检测缺血性脑卒中，并取得了令人鼓舞的结果。在本文中，我们提出了一种使用深度学习模型从 MRI 图像中自动分割缺血性中风病变 (ISL) 的方法。使用的 UNet 模型是混合框架，具有预训练的 ResNet50 架构。数据增强技术已被用于超越模型的准确性。所提出的工作流程已在公共缺血性中风病变分割挑战 (ISLES) 2015 数据集上进行了训练和测试。实验结果证明了我们的方法的性能效率，它实现了 99.43% 的平均准确率和 64.14% 的 Dice 系数 (DC)。我们的方法优于其他最先进的方法，更具体地说，在准确率方面。
2023年6月（v1）QP-论文3 CAIE计算机科学A级
说明●回答所有问题。●使用黑色或深蓝色笔。●在页面顶部的框中写下您的姓名，中心号码和候选号码。●在提供的空间中写下对每个问题的答案。●请勿使用可擦除的笔或校正液。●请勿在任何条形码上写入。●您可以使用HB铅笔进行任何图表，图形或粗糙工作。●本文不得使用计算器。
已发表版本引文（哈佛）：Nemorin, S, Vlachidis, A, Ayerakwa, HM 和 Andriotis, P 2022，《人工智能被炒作？对教育（AIED）和发展中人工智能话语的地平线扫描》，学习、媒体和技术。https://doi.org/10.1080/17439884.2022.2095568
摘要 本研究旨在了解人工智能生态系统如何与一种知识生产形式有关，这种形式具体化了某些类型的认识论。本文利用文本挖掘和主题分析，对过去几年 AIEd 辩论中出现的关键主题进行了横向扫描。我们首先讨论用于试验数字数据收集和分析方法的工具。然后，本文探讨了教育系统中的人工智能是如何被构想、炒作以及可能如何部署到全球教育环境中的。研究结果分为三个主题：（1）通过教育和技术创新实现地缘政治主导地位；（2）创造和扩大市场利基，以及（3）管理叙述、看法和规范。
能力列表 - AIESL
_____________________________________________________________________________________________________________________
教育人工智能系统评价（AIE）
人工智能 (AI) 应用程序在日常生活中的使用越来越多，这不仅影响了我们的生活方式，还启发了教育教学实践。这项研究展示了人工智能如何帮助改善教育环境中的教学、学习和教学过程，以及与教育人工智能 (AIEd) 相关的伦理方面的重要性。基于过去九年 (2013-2021) 的 AIEd 系统评价和荟萃分析 (PRISMA) 首选报告项目协议，进行了一项系统评价 (SR)，仅限于两个数据库 (Web of Science 和 Scopus)。主要关注 AIEd 用户面临的伦理和伦理约束。该评价的搜索关键词是“教育中的人工智能”(AIEd)、“数字伦理中的人工智能”。非英语和印刷中的文章已被排除在外。在根据 SR 的目标和范围仔细评估每条记录后，32 篇研究文章入围。通过使用 VOSviewer 软件，基于关键词共现和国家/地区引用的文献计量分析对该研究进行了进一步研究。通过对各个部分进行比较分析，了解了 AIEd 中的伦理问题。结果突出了进一步研究 AIEd 的两个突出因素；“数字伦理”和“AIEd 伦理实施中的潜在研究领域”的规范。当前的系统评价全面表达了在所选数据库和九年时间范围内整合 AIEd 的机会和能力。关键词：教育中的人工智能、数字伦理、人工智能与伦理、PRISMA、系统评价
2022 年 11 月 (v2) QP - 试卷 4 CAIE 生物学 A-level
在低温法中，不需要将催化淀粉水解的酶添加到淀粉悬浮液中。使用相同酵母物种的转基因 (GM) 菌株。转基因酵母菌株具有允许细胞产生 α-淀粉酶和葡糖淀粉酶并将这些酶附着到细胞表面膜外表面的基因。将转基因酵母细胞添加到加热到 80°C 的淀粉中，并在厌氧条件下维持以产生乙醇。
2022年11月（v3）QP-论文4 CAIE生物学A级
说明●回答所有问题。●使用黑色或深蓝色笔。您可以使用HB铅笔进行任何图表或图形。●在页面顶部的框中写下您的姓名，中心号码和候选号码。●在提供的空间中写下对每个问题的答案。●请勿使用可擦除的笔或校正液。●请勿在任何条形码上写入。●您可以使用计算器。●您应该显示所有工作和使用适当的单位。