XiaoMi-AI文件搜索系统
World File Search SystemChien
机器学习方法的探索性应用，以优化对饮食失调症状的数字干预措施的预测
Dwyer，D。和Choi，K。（2021）。在预测精神病学治疗结果时，机器学习的希望。世界精神病学，20（2），154 - 170。https：//doi.org/10.1002/wps.20882 Chien，I.，Enrique，A.，Palacios，J.，Regan，T.，Keegan，T.，Keegan，D. （2020）。一种机器学习方法，以了解与互联网交付的心理健康相互作用的互动模式。JAMA Network Open，3（7），E2010791。https://doi.org/10。 1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W. （2019）。 系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。 临床流行病学杂志，110，12 - 22。https：// doi。 org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。 数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。 JAMA Network Open，3（8），E2015633。 https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O. BMC精神病学，20（1），1 - 9。https：// doi。 统计软件杂志，33（1），1 - 22。https://doi.org/10。1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W.（2019）。系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。临床流行病学杂志，110，12 - 22。https：// doi。org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。JAMA Network Open，3（8），E2015633。https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O.BMC精神病学，20（1），1 - 9。https：// doi。统计软件杂志，33（1），1 - 22。预测互联网传递认知行为疗法后身体障碍障碍的预测因素：一种机器学习方法。org/10.1186/s12888-020-02655-4 Friedman，J.，Hastie，T。，＆Tibshirani，R。（2010）。通过坐标下降的通用线性模型的正规化路径。Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N. 使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。 综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。 超越“算法偏差是数据问题”。 模式，2（4），100241。 Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N.使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。超越“算法偏差是数据问题”。模式，2（4），100241。Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，敏感和前景。Science，349（6245），255 - 260。https：//doi.org/10。1126/science.AAA8415库恩。（2021）。caret：分类和回归培训。r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。做情感障碍杂志，241，519 - 532。https：//doi.org/10.1016/j.jad.2018.08.073 Lekkas，D.，Price，G.，McFadden，J。，J。，＆Jacobson，J。，＆Jacobson，N.C。（2021）。机器学习到在线正念干预数据的应用：合规性评估中的底漆和经验示例。正念，12（10），2519 - 2534。https：//doi.org/10.1007/s12671-021-021-021-01723-4 Linardon，J.，J.，Messer，M.，Shatte，M.，Shatte，Shatte，Shatte，A.
Jeepo（2024），7（4），42-51。
Sommarat Yan A，Songsak Sriboonchitta B抽象的环境损害已成为全球研究人员和政策制定者的紧迫关注，在全球讨论中受到了极大的关注。在环境退化的各种贡献者中，温室气体的排放，尤其是二氧化碳，是主要驱动因素。co₂排放主要是由于化石燃料的能源，工业过程和森林砍伐而产生的，这使它们成为打击气候变化的努力的核心重点。GHG在大气中的积累增强了温室效应，从而导致全球变暖，海平面上升以及天气模式的破坏。本研究研究了腐败对六个东盟国家的碳排放的影响，并结合了经济增长，可再生能源使用和城市化等指标。经济增长虽然对发展至关重要，但通常会导致能源消耗和工业活动增加，从而导致碳排放量更高。相反，可再生能源采用可以通过用清洁能源代替化石燃料来减轻这些排放。城市化是东盟国家的共同特征，提出了双重挑战：尽管它推动了经济发展，但它也会增加能源需求和排放，尤其是在没有可持续的城市规划的情况下。通过分析这些因素之间的相互作用，该研究旨在提供有关治理在塑造环境结果中的作用的见解。促进持续和包容性的经济增长，同时优先考虑对可再生能源的投资，对于减少排放至关重要。这些发现有望指导决策者制定策略，以减少碳排放，增强可再生能源的采用，并应对腐败在实现可持续发展目标方面带来的挑战。研究结果揭示了在所研究的东盟国家中存在环境库兹尼茨曲线，其特征是经济增长与碳排放之间的U形关系倒置。这表明，在较低的经济发展水平下，排放随着增长而增加，但是超出一定收入的阈值，随着经济采用清洁技术和更强大的环境政策，排放开始下降。分析表明，可再生能源对碳排放有重大负面影响，强调了其在缓解环境降解中的关键作用。相反，城市化积极影响排放，表明计划外的城市增长会导致能源消耗和污染增加。必须通过可持续的城市规划和基础设施来管理城市化，以最大程度地减少其环境足迹。关键字：碳排放，腐败，可再生能源，城市化码头代码：Q56，O13，D73收到：15-11-2024修订：09-12-2024在线发布：25-12-2024 1。引言环境破坏一直是研究人员几十年来关注的关键主题，并且已成为全球可持续性讨论的核心重点（Nuţ出现，2024年；奥迪，2024年； Rafiq等，2023； Kakar等，2024年，2024年）。这些气体极大地有助于温室效应，从而加剧了全球变暖和气候变化。特别令人震惊的环境破坏源于温室气体的排放，包括二氧化碳，甲烷和一氧化二氮（Senturk，2023;Yılmaz＆ethin，2023; Zhang et al。，2023; ahmad et al。 Al。，2023年； Rahman＆Sultana，2024年）。co₂排放主要是由于化石燃料用于能源和运输以及森林砍伐和工业活动而产生的。甲烷在其变暖的潜力方面是一种更有效的温室气体，在农业活动，牲畜饲养以及垃圾填埋场中有机废物的分解时释放。一氧化二氮通常与涉及合成肥料的农业实践有关，为该问题增加了另一层复杂性。大气中这些温室气体的浓度上升具有深远的后果，包括极端天气事件，海平面上升，生物多样性丧失以及对生态系统的破坏。解决这些排放需要协调的全球努力，包括采用可再生能源，发展可持续的农业实践以及执行严格的环境法规。The growing focus on these issues highlights the urgency of transitioning to a low-carbon, sustainable future to mitigate environmental damage and protect the planet for future generations ( Mahmood, 2019; Nathaniel et al., 2020; Zaheer & Nasir, 2020; Bakht, 2020; Habibullah, 2020; Abbasi et al., 2020; Huang et al., 2022; Islam等等，侯赛因和汗，2022年；