XiaoMi-AI文件搜索系统
World File Search SystemDwivedi
Padmanabh Dwivedi博士的简短概况
[压力生理学：在田间和体外条件下都对非生物压力的生理学领域做出了显着贡献 - 全球问题（热，干旱，盐度，盐度，重金属，重金属，重金属，供水），以及通过使用诸如水杨酸，水甲酸，多胺，多胺，氮气和PGPM的水平，以及诸如水小酸的研究（诸如水小酸）中来减轻这些压力的效应，这些应力效果 - 生理，生化和分子水平 - 在全球气候变化时代，这项工作在农业部门至关重要，赋予植物耐受性耐心的次要代谢产物的产量更高。Commercially Important Medicinal plant's conservation, phytochemistry and pharmacognosy: Successfully evolved micropropagation protocols of some important and endangered medicinal plants ( Rubia, cordifolia, Oroxylum indicum, Elaeocarpus sphaericus, Tylophora asthmatica, and anti- diabetic plants Gymnema sylvestre and Stevia rebaudiana ) as well as commercially important兰花
原始引文 Thummadi, BV (2021) “人工智能 (AI) 能力、信任和开源软件团队绩效”，收录于 Dennehy, D.、Griva, A.、Pouloudi, N.、Dwivedi, YK、Pappas, I. 和 Mäntymäki, M. (eds) 为道德和包容的数字化社会提供负责任的人工智能和分析。I3E 2021，爱尔兰国立大学高威分校，9 月 1-3 日。计算机科学讲义，第 12896 卷，第 629-640 页。Springer：Cham。doi：10.1007/978-3-030-85447-8_52
尽管人工智能在开源生产中的重要性日益增加，但在如何利用人工智能来提高开源软件（OSS）团队绩效的重要问题上，人们所做的研究却很少[2, 5]。人工智能能力可以被认为是开源团队的一个独特特征，可以衡量开源团队寻求人工智能机会和资源的倾向。例如，人工智能可以以机器人的形式作为OSS团队的基础设施，以简化开源流程，如关闭拉取请求、故障排除、迎接新用户等。同时，OSS团队还可以探索人工智能的新商机，以增加项目的吸引力。由于开源社区以多种方式使用人工智能，因此尚不清楚人工智能能力如何影响OSS团队的绩效[4]。因此，我想问：
Imran Hussain博士，工程学院生物工程系助理教授，
勒克瑙的整数大学（8687556651，abhishek@iul.ac.in）Google Scholar引文| OrcID ID | scopus |科学网络|研究门
Pillai, R.、Sivathanu, B.、Mariani, M. ORCID：https://orcid.org/0000-0002-7916-2576、Rana, NP、Yang, B. 和 Dwivedi, Y. (2022) 汽车零部件制造公司采用人工智能工业机器人。生产规划与控制，33 (16)。第 1517-1533 页。ISSN 0953-7287 doi：https://doi.org/10.1080/09537287.2021.1882689 可在 https://centaur.reading.ac.uk/93387/ 上获取
全球的汽车零部件制造公司 (ACMC) 正在蓬勃发展地使用人工智能工业机器人 (InRos)。基于利用技术、组织和环境 (TOE) 框架的模型，这项研究研究了在新兴经济背景下 ACMCs 对 InRos 的采用。这项研究通过对印度 460 名 ACMCs 高级经理和所有者的调查，仔细研究了 ACMCs 对 InRos 的采用意向和潜在用途。研究结果表明，感知兼容性、外部压力、感知收益和供应商支持是 InRos 采用意向的关键预测因素。有趣的是，该研究还表明，IT 基础设施和政府支持不会影响 InRos 的采用意向。此外，分析表明，感知成本问题对 ACMCs 采用意向和 InRos 潜在用途之间的关系产生负面调节。本研究提供了理论贡献，因为它部署了传统的 TOE 框架，并反直觉地发现 IT 资源并不是技术采用的主要驱动力：因此，它建议采用比传统 RBV 更全面的框架。这项工作为管理人员提供了管理建议，揭示了在采用 InRos 处于起步阶段的国家中 ACMCs 采用 InRos 的意图和潜在用途的先决条件。关键词：工业机器人、汽车零部件制造、采用、潜在用途、TOE
引用本文：Nripendra P. Rana、Sheshadri Chatterjee、Yogesh K. Dwivedi 和 Shahriar Akter (2022) 了解人工智能 (AI) 综合业务分析的阴暗面：评估公司的运营效率和竞争力，欧洲信息系统杂志，31:3，364-387，DOI：10.1080/0960085X.2021.1955628
摘要 以数据为中心的革命通常庆祝商业分析和人工智能在挖掘公司潜力和成功方面的普及。然而，关于人工智能集成商业分析 (AI-BA) 的意外后果如何影响公司整体竞争优势的研究还很缺乏。在此背景下，本研究旨在确定 AI-BA 不透明度、次优业务决策和感知风险等因素如何导致公司的运营效率低下和竞争劣势。借鉴资源基础观、动态能力观和权变理论，提出的研究模型捕捉了 AI-BA 不透明度对公司风险环境和负面绩效的组成部分和影响。数据来自印度不同规模组织的各个服务部门的 355 名运营、中层和高级经理。结果表明，缺乏治理、数据质量差以及关键员工培训效率低下导致 AI-BA 不透明。随后，它会触发次优业务决策和更高的感知风险，从而导致运营效率低下。研究结果表明，运营效率低下显著导致销售增长为负和员工不满，从而导致公司处于竞争劣势。研究结果还强调了应急计划在法则链中的显著调节作用。
![引用 (APA) Dwivedi, YK、Hughes, L.、Baabdullah, AM、Ribeiro-Navarrete, S.、Giannakis, M.、Al-Debei, MM、Dennehy, D.、Metri, B.、Buhalis, D.、Cheung, CMK、Conboy, K.、Doyle, R.、Dubey, R.、Dutot, V.、Felix, R.、Goyal, DP、Gustafsson, A.、Hinsch, C.、Jebabli, I.、...... Wamba, SF (2022)。超越炒作的元宇宙：关于新兴挑战、机遇和研究、实践与政策议程的多学科视角。国际信息管理杂志，66，[102542]。 https://doi.org/10.1016/j.ijinfomgt.2022.102542 重要提示 如需引用本出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。](/simg/f/f8092e2e47455a6766068aade03681e01eb6e9fc.webp)
引用 (APA) Dwivedi, YK、Hughes, L.、Baabdullah, AM、Ribeiro-Navarrete, S.、Giannakis, M.、Al-Debei, MM、Dennehy, D.、Metri, B.、Buhalis, D.、Cheung, CMK、Conboy, K.、Doyle, R.、Dubey, R.、Dutot, V.、Felix, R.、Goyal, DP、Gustafsson, A.、Hinsch, C.、Jebabli, I.、...... Wamba, SF (2022)。超越炒作的元宇宙：关于新兴挑战、机遇和研究、实践与政策议程的多学科视角。国际信息管理杂志，66，[102542]。 https://doi.org/10.1016/j.ijinfomgt.2022.102542 重要提示 如需引用本出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。
Yogesh K. Dwivedi a , b , * , Laurie Hughes a , Abdullah M. Baabdullah c , Samuel Ribeiro-Navarrete d , Mihalis Giannakis e , Mutaz M. Al-Debei f , g , Denis Dennehy h , Bhimaraya Metri i , Dimitrios Buhalis j , MK , Cheran Kibo y l , 1 , Ronan Doyle m , 1 , Rameshwar Dubey n , o , 1 , Vincent Dutot p , 1 , Reto Felix q , 1 , DP Goyal r , 1 , Anders Gustafsson s , 1 , Chris Hinsch t , 1 , Ikram Jebli , Jan G , 1 , G. Young ab Kim w , 1 , Jooyoung Kim x , 1 , Stefan Koos y , 1 , David Kreps z , 1 , Nir Kshetri aa , 1 , Vikram Kumar ab , 1 , Keng-Boon Ooi ac , ad , ae , 1 , Savvas Papagiannidis , aflias af , 1 , I ag , Pariaas , 1 , Apparia . na Polyviou ai , 1 , Sang-Min Park aj , 1 , Neeraj Pandey ak , 1 , Maciel M. Queiroz al , 1 , Ramakrishnan Raman am , 1 , Philipp A. Rauschnabel an , 1 , Anuragini Shirish aoanna , 1 , Marina Sigala , Apna , Konstantina , 1 1 , Garry Wei-Han Tan as , at , 1 , Manoj Kumar Tiwari au , av , 1 , Giampaolo Viglia aw , ax , 1 , Samuel Fosso Wamba ay , 1
引用Alabed，S.，Uthoff，J.，Zhou，S.，Garg，P.，Dwivedi，K.，Alandejani，F。，…Swift，A。J.（2022）。机器学习心脏MRI功能预测
从Aspire注册中心确定了723例连续治疗的PAH患者； 516包括在培训中，验证队列中有207个。多线性主成分分析（MPCA） - 基于机器学习方法用于在整个心脏周期中提取死亡率和生存特征。使用阈值和低风险死亡率词典值的阈值和聚类在原始成像上覆盖了这些特征。验证队列中的1年死亡率为10％。单变量的COX回归分析基于短轴和四腔MPCA的预测在统计学上是显着的（危险比：2.1，95％CI：1.3，3.4，C-Index = 0.70，p = 0.002）。MPCA特征提高了1年的死亡率预测，从c-指数= 0.71至0.76（p≤0.001）。末端局部介入隔膜和末期左心室的异常表明死亡率最高。