简介:大约3200万美国人患有2型糖尿病,这一数字继续增长。在某些亚组中观察到较高的患病率,包括边缘化的种族/族裔成员以及无序社区的居民(即那些垃圾和故意破坏的人)。与非西班牙裔白人相比,在无序社区中边缘化的种族/族裔群体对边缘化的种族/族裔群体的代表性不成比例。这些邻里差异可能会部分导致健康差异,因为邻里障碍的迹象通常与从社区的普遍退出有关,从而最大程度地减少了身体和社会参与的机会。然而,研究表明,在邻里障碍的报告率以及邻里障碍被解释为对健康和福祉构成威胁的程度上,种族/族裔群体之间的变异性。
气候金融目标首先在2009年的当事方(COP)15中建立。但是,这些协议旨在允许签署人之间进行明显的单方面酌处权,从而导致资金上的结果不一致。虽然对全球行动的需求得到广泛认可,但缺乏协调的国际努力导致气候融资被分散和多方面。本质上,可用的资金不足,远低于年度目标1000亿美元(图1)。此外,所在的资金往往是高度集中的,无论是根据其目标的部门及其缓解和适应计划之间的平衡而言。使问题更加复杂的事实是,主要的资助工具(DEBT)还不够灵活,无法满足发展中国家气候融资的不断发展的需求。
此次审查将提供切实可行的建议,国防部可以实施这些建议,以改进政策、计划、流程和资源,解决这些差异。它将纳入军事部门正在进行的工作,并补充对此问题的独立外部审查。这次审查将是国防部在人事和战备副部长 (USD(P&R)) 的领导下已经开始实施的更广泛、更全面的多样性、公平、包容和可及性 (DEIA) 举措的一部分。
为什么减少美国社区铅暴露和差异的战略如此重要?持续接触环境中的铅对全国太多人的健康构成了风险。儿童血液中铅含量极低会对智力、注意力和学业成绩产生不利影响。4 美国在减少铅暴露方面取得了实质性进展,但种族、民族和社会经济方面仍然存在显著差异。例如,黑人儿童和来自低收入家庭的儿童的血铅水平一直高于非西班牙裔白人儿童和来自高收入家庭的儿童。5 EPA 制定了铅战略,重点是消除这些差异,采取有针对性的行动,防止儿童接触铅,因为这可能会对健康产生终身影响,阻碍社会和经济福祉。
图1教育的结构相关性在地理区域之间有所不同。(a)大脑图显示了由年龄和性别控制的大脑体积与受教育程度的关联。用P FWE <0.05的无阈值集群方法校正了多个比较。(b)顶部面板:散点图,显示了与教育程度正相关的区域内大脑体积的地理比较。使用Kruskal – Wallis检验计算比较。底部面板:跨条件的地理比较的效果大小。我们利用5000个自举重新采样来计算平均差异。TFCE方法用于解释家庭误差的方法来纠正多重比较。AD,阿尔茨海默氏病; ftld,额颞痴呆,叶变性; HCS,健康对照;洛杉矶,拉丁美洲; TFCE,无阈值集群。AD,阿尔茨海默氏病; ftld,额颞痴呆,叶变性; HCS,健康对照;洛杉矶,拉丁美洲; TFCE,无阈值集群。
I. 前言 国防部副部长凯瑟琳·希克斯 (Kathleen Hicks) 在去年年底的一篇专栏文章中承认:“军事司法系统中的种族差异问题由来已久。” 她接着承诺:“我们将努力解决这个问题……那些冒着生命危险保卫美国的男男女女应该得到更好的待遇。” 1 今年早些时候,副部长希克斯成立了内部审查小组 (IRT) 并亲自责成其成员找出国防部 (DoD) 调查和军事司法系统中种族差异的根本原因,并提出可行的建议来解决这些问题。 IRT 开始努力时严肃地认识到,种族差异在我们的军队中一直存在并且仍然存在,我们的调查和军事司法系统也远非免疫。这些系统中的差异降低了军人的信任和部队的凝聚力,并对部队的战备和持续性构成了明显威胁。 IRT 在开展工作时充分意识到这些问题的紧迫性,并深刻理解在解决这些问题方面取得真正有意义的进展的必要性。特别是,我们与美国各地军人的私人接触阐明了我们面临的问题,并证实了我们任务的重要性。经过深入的研究和审议,我们在以下报告中提供了分析和建议。我们,调查和军事司法系统中种族差异 IRT 的成员,知道没有简单的答案。但我们相信,我们的建议——围绕更有效的培训和教育、增加军人保护以及额外的监督和透明度的需求——可以作为更具包容性、公平和公正的军队的蓝图,并使我们更接近兑现我们国家建立时的平等承诺。我们敦促各级和各部门的军人和领导人与我们一起重申对我们的人民、我们的使命和未来艰苦工作的承诺。非常尊重,
包含在数据集中。•变量:BMI,年收入,房主,100_CIGS_IN_LIFETIME,就业状况,教育水平,一般健康,一般质量,心理健康,婚姻状况,婚姻状况,药物使用,社会满意度。•多次调解分析用于查找
背景:人工智能中的偏见引起了人们的关注,算法表现不平等在整个刑事司法,教育和福利服务领域都被暴露出来。在医疗保健中,跨人群群体的算法不平等的性能可能会扩大健康不平等。 目的:在这里,我们识别和表征心脏病学算法中的偏见,专门研究用于管理心力衰竭的算法。 方法:第1阶段涉及与心脏机器学习(ML)算法有关的PubMed和Web Science的文献搜索。 评估了建立ML模型以预测心脏病的论文,以评估其对模型性能中人口偏见的关注,并保留了开源数据集以进行调查。 确定了两个开源数据集:(1)加利福尼亚大学尔湾分校心力衰竭数据集和(2)加利福尼亚大学欧文分校冠状动脉疾病数据集。 我们复制了已报告这些数据集的现有算法,对它们进行了对算法性能的性偏见进行了测试,并评估了一系列补救技术,以减少不平等的功效。 由于诊断不足和缺失的治疗机会的临床意义,特别注意假阴性率(FNR)。 结果:在第1阶段,我们的文献搜索返回了127篇论文,有60条符合完整审查的标准,只有3篇论文强调了算法性能的性别差异。 在报告性别的论文中,数据集中女性患者的代表性不足。在医疗保健中,跨人群群体的算法不平等的性能可能会扩大健康不平等。目的:在这里,我们识别和表征心脏病学算法中的偏见,专门研究用于管理心力衰竭的算法。方法:第1阶段涉及与心脏机器学习(ML)算法有关的PubMed和Web Science的文献搜索。评估了建立ML模型以预测心脏病的论文,以评估其对模型性能中人口偏见的关注,并保留了开源数据集以进行调查。确定了两个开源数据集:(1)加利福尼亚大学尔湾分校心力衰竭数据集和(2)加利福尼亚大学欧文分校冠状动脉疾病数据集。我们复制了已报告这些数据集的现有算法,对它们进行了对算法性能的性偏见进行了测试,并评估了一系列补救技术,以减少不平等的功效。由于诊断不足和缺失的治疗机会的临床意义,特别注意假阴性率(FNR)。结果:在第1阶段,我们的文献搜索返回了127篇论文,有60条符合完整审查的标准,只有3篇论文强调了算法性能的性别差异。在报告性别的论文中,数据集中女性患者的代表性不足。没有论文调查种族或种族差异。在第2阶段,我们重现了文献中报道的算法,对于数据集为1和85.72%(随机森林模型)的数据集为1和85.72%(SD 1.75%)的平均精度为84.24%(SD 3.51%)。对于数据集1,在16个实验中,女性患者的FNR明显更高,达到了统计显着性的阈值(–17.81%至–3.37%; p <.05)。 在16个实验中,有13例男性患者(–0.48%至 +9.77%; p <.05)中的男性患者的假阳性差异很小。 我们观察到男性患者疾病的过度预测(较高的假阳性率)和女性患者疾病的预测不足(较高的FNR)。 性质重要性的性别差异表明,特征选择需要根据人口统计学量身定制。 结论:我们的研究暴露了心脏ML研究中的显着差距,强调,女性患者的算法不良表现不佳在已发表的文献中被忽略了。 我们的研究量化了算法性能中的性别差异,并探讨了几种偏见来源。 我们发现,在用于训练算法,确定模型错误率中的性别偏见的数据集中,女性患者的人数不足,并证明了一系列补救技术无法解决存在的不平等现象。对于数据集1,在16个实验中,女性患者的FNR明显更高,达到了统计显着性的阈值(–17.81%至–3.37%; p <.05)。在16个实验中,有13例男性患者(–0.48%至 +9.77%; p <.05)中的男性患者的假阳性差异很小。我们观察到男性患者疾病的过度预测(较高的假阳性率)和女性患者疾病的预测不足(较高的FNR)。性质重要性的性别差异表明,特征选择需要根据人口统计学量身定制。结论:我们的研究暴露了心脏ML研究中的显着差距,强调,女性患者的算法不良表现不佳在已发表的文献中被忽略了。我们的研究量化了算法性能中的性别差异,并探讨了几种偏见来源。我们发现,在用于训练算法,确定模型错误率中的性别偏见的数据集中,女性患者的人数不足,并证明了一系列补救技术无法解决存在的不平等现象。
生成人工智能(Genai)的最新发展重新激发了有关技术失业的讨论,但经验证据仍然很少。使用全面的数据集,该数据集在2018年至2024年的中国超过一百万个在线职位发布,该研究及时评估了Genai在2022年底的Genai工具涌现之后对本地和地区劳动力市场的影响。我们的分析揭示了Genai在短期和中等运行中的非平凡工作位移效应,对入门级,高薪职位和受过高度教育的工人产生了不成比例的影响。值得注意的是,这种位移效应在较大,经济上发达的城市中更为明显,这表明在Genai时代,各个地区的工作机会差异降低。我们还发现,较低的劳动力成本和较高的职业多样性增加了当地劳动力市场对Genai的破坏性影响的弹性。这些发现为决策者提供了至关重要的见解,以减轻Genai的不利后果,同时利用其积极的社会转型潜力。关键词:生成人工智能;劳动力市场;城市经济;城市弹性
1 麻省理工学院医学工程与科学研究所,美国马萨诸塞州剑桥市,2 哈佛陈曾熙公共卫生学院生物统计学系,美国马萨诸塞州波士顿市,3 贝斯以色列女执事医疗中心医学系,美国马萨诸塞州波士顿市,4 哈佛医学院图书馆服务系,美国马萨诸塞州波士顿市,5 麻省理工学院数据、系统与社会研究所,美国马萨诸塞州剑桥市,6 哈佛医学院,美国马萨诸塞州波士顿市,7 Adobe Inc,Adobe Research,美国加利福尼亚州圣何塞市,8 蒙彼利埃大学蒙彼利埃管理研究中心,法国蒙彼利埃市,9 哈佛陈曾熙公共卫生学院,美国马萨诸塞州波士顿市,10 哈佛医学院麻省总医院,美国马萨诸塞州波士顿市,11 麻省理工学院计算机科学与分子生物学系,美国马萨诸塞州剑桥市,12 爱因斯坦医学中心费城中心医学系,美国宾夕法尼亚州费城,13 百济神州应用创新公司,美国马萨诸塞州剑桥,14 埃默里大学放射学和生物医学信息学系,美国佐治亚州亚特兰大