XiaoMi-AI文件搜索系统
World File Search SystemExploratory
对斑块牛皮癣的患者ESK-001（ESK-001）的探索性暴露响应（E-R）分析
模型准确地反映了观察到的数据，在健康受试者和具有斑块PSO的受试者中表明相似的ESK-001暴露和线性PK。在ESK-001暴露与钥匙功效终点之间显示出很强的相关性。在相同剂量下长时间暴露效果反应可大大提高。以40 mg竞标剂量达到了最大的治疗反应，该剂量保持与测试剂量较低的剂量相当。因此，在患有中度至重度PSO的受试者中，选择了40 mg出价剂量进行即将进行的III期研究。有关大会和OLE研究功效，安全性和耐受性的其他信息可在该国会提供：海报P1004，并在第5769条第5769节中分别提供了介绍。
文章 大学生对人工智能的态度：人工智能态度的认知、情感和行为维度的探索性研究
摘要：人工智能（AI）推动了新的学习模式并改善了教师的工作流程。然而，人们对学术诚信、抄袭和高等教育中批判性思维的减少表示担忧。因此，记录和分析大学社会科学学生对人工智能的态度非常重要，这是以后使用人工智能技术的重要预测因素。选择了来自希腊社会科学系的 190 名大学生（82.45％为女性）作为样本。描述性统计数据显示，学生对人工智能的态度大多是积极的。主成分分析证实了对人工智能态度的三成分解决方案，包括认知、行为和情感维度。对这三个成分的比较分析表明，情感维度排名最高，其次是认知和行为维度。成对相关分析表明，对人工智能的态度中认知、行为和情感成分最强的相关性是未来使用人工智能的频率，其次是对技术的普遍安全感。总之，学生对人工智能表现出更多的情感和认知倾向。学生的社会背景和未来对人工智能的使用在形成对人工智能的态度中起着关键作用。大学教育工作者需要提供更多关于人工智能的教学和学习，以改善学生对人工智能和未来人工智能使用的态度。
心脏疾病预测的机器学习算法中基于性别的性能差异：探索性研究
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。
文章的气候变化是否担心促进年轻的意大利成年人的心理困扰？意大利探索性研究Intolera
摘要：气候变化是一种现象，它是从心理学的角度越来越多地研究了文献对心理健康的影响，尤其是那些已经受到COVID-19大流行影响的年轻人的影响，对此非常担心。尽管如此，在地中海地区，尤其是在意大利南部，很少进行研究，几乎没有考虑其他变量在环境情绪与心理健康之间的关系中的作用。本研究旨在探索283名意大利意大利南部的283名意大利年轻人（年龄范围18-25; M = 21.3; SD = 1.7）样本中的气候变化，焦虑，焦虑和压力之间的关系，从意大利南部（Campania的91％）进行了研究，研究了无耐心和未来焦虑对目标的介导作用。同时，它努力探索两个调解人在气候变化忧虑和心理困扰之间关系中的共同作用。的调查结果强调，气候变化的担忧对焦虑和压力水平产生了显着的积极影响，并积极影响了不确定性和未来焦虑的不宽容；后两个还增加了气候变化对心理困扰的影响，在所有平行的调解模型中，在完全介导的抑郁模型中都充当脆弱因素。最后，女性的心理困扰，气候变化的担忧和未来焦虑的水平明显更高。此外，串行模型的发现证实了两个调解人的共同效应，并强调了气候变化较高的年轻人如何对不耐受性更加不宽容，这对未来的焦虑水平产生了积极影响，并且反过来又加剧了全球心理困扰。结论是，探索负面环境情绪影响心理困扰的间接途径似乎是一个肥沃的研究领域，可以更深入地研究气候危机对新一代的影响。
INPEX和JERA签名协议，共同研究日本澳大利亚CCS价值链的可行性日本GIFU县地热能开发的探索性钻探日本GIFU县地热能开发的探索性钻探
公共关系集团，企业通信部门Akasaka Biz Tower，5-3-1 Akasaka，Minato-Ku，东京107-6332日本
关于过渡到循环经济的探索性远见
包括一系列活动：1。对公司中小企业和RECP俱乐部的资源效率评估2.Davydiv和Slavuta社区中的工业废物映射3。CE基线研究 - 关键部门和建议的分析4。ce探索性的远见 - 国家背景和战略思维的远见 - KPVCS和转型的结果5。CE在线培训6。 CE业务案例和“如何”指南7。 CE项目建议CE在线培训6。CE业务案例和“如何”指南7。CE项目建议
947探索者因子分析（EFA）数量...
解释性因素分析（EFA）是一种在定量研究中经常使用的多元统计方法，并已开始在社会科学，健康科学和经济学等许多领域中使用。与EFA一起，研究人员专注于解释结构的较少项目，而不是考虑太多可能不重要的项目，并通过将这些项目置于有意义的类别（因素）中来进行研究。但是，在超过60年的时间里，许多研究人员就何时以及如何使用EFA提出了不同的建议。这些建议的差异使使用EFA的使用混淆。讨论的主要主题是样本量，项目数量，项目提取方法，因子保留标准，旋转方法以及应用程序的一般适用性。文献中这些讨论和观点的丰富性使研究人员难以确定在EFA中遵循哪些程序。因此，研究人员收集有关一般程序（样本号，旋转方法等）的不同信息将是有益的。在使用EFA时。本文旨在为读者提供实施EFA时要遵循的程序并共享有关EFA过程中方法论最新发展的实用信息的概述。认为，该研究将是研究人员在使用EFA中开发明确决策路径方面的重要指南，并且集体呈现最新信息的方面。