XiaoMi-AI文件搜索系统
World File Search SystemIdentifying
确定 K-12 人工智能学习的核心属性
实际上，除了教学之外，人工智能在人工智能领域还有许多不同的用途。研究人员已经研究了人工智能在管理、教学和学习中的应用（Chen 等人，2020 年），其中研究了这些技术的影响；然而，研究中讨论的技术性质广泛，例如学习分析、数据挖掘、在线学习和学生/教师界面，这使得人们无法理解这些人工智能相关技术在教育中的应用。人工智能在教育领域的终极目标是如何将人工智能技术用于学习。要了解人工智能如何有效促进教育，我们首先需要了解学习在正常的人与人互动中是如何发生的。1950 年，艾伦·图灵提出了一项名为模仿游戏的测试，这被认为是人工智能的第一次测试。该测试提出，一个成功的系统要想被视为人工智能，人类应该无法区分与人的对话和与系统的对话（Muggleton，2014 年）。要使一个系统与真正的老师难以区分，会遇到很多困难，包括与学生的动态互动，例如帮助学生组织和确定工作优先顺序、认识到学科以外的困难，甚至是小组工作等社会问题。在讨论“人类智能”或“人工智能”时，作者主张对“智能”这一心理学概念进行更详细的审查（Neubauer，2021 年）。人工智能文献主要关注挑战-响应方法中的自适应学习等主题，但在提高学习质量所必需的人与人互动的关键方面却有限。我们的目标是利用在疫情期间从被迫转为在线学习环境的学校收集的数据。我们从教师和家长那里收集了数据，从而通过代理从学生那里收集了数据，以了解对基于技术的学习的看法和态度，我们还提出了教师和家长认为对优质教育至关重要的关键主题或话题。然后用教育人工智能的视角探索这些概念，以呈现 K-12 学习中有效的人工智能技术所需的核心属性。
RDAforest：识别多基因适应的环境驱动因素。1
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 1 月 8 日发布。；https://doi.org/10.1101/2024.10.21.619525 doi：bioRxiv 预印本
确定药物过量健康的根本原因...
该主要数据未反映各地区或其他人口统计信息中药物过量的变化。此外，大多数研究和项目工作都集中在郊区和农村地区的年轻和中年白人群体。(Ruhm, 2019), (García et al., 2019), (Scholl et al., 2018) 有关药物过量危机如何影响其他人群（基于种族、年龄、性别等）的信息相比之下则比较缺乏。(James & Jordan, 2018) 当研究过量用药的种族不平等时，研究结果表明存在知识差距，需要在该领域开展更多研究。例如，明尼苏达州卫生部的《药物过量死亡种族比率差异》报告发现，明尼苏达州的整体药物过量死亡率掩盖了种族不平等。(DeLaquil, 2020) 报告还发现，尽管所有种族群体的服药过量率都有所增加，但服药过量方面的种族不平等现象也有所增加。(DeLaquil, 2020) 这些发现凸显了种族不平等现象很容易被忽视，而且可能不会在服药过量率的统计细分中立即显现出来，尽管种族服药过量不平等现象正在恶化。研究和了解服药过量不平等现象的必要性不仅限于种族不平等，还包括其他受影响不成比例的人群。
用于识别黄色的经典和机器学习工具......
油菜籽在发育过程中含有叶绿素，使其呈现绿色。随着种子的成熟，它们会呈现出黑色、红褐色到黄色等颜色。黑色和红褐色种子的种皮会积累色素，而黄籽品种的种皮透明，可以露出胚的颜色。研究表明，黄籽油菜籽比黑籽品种休眠期短、发芽更简单、含油量更高，因此培育黄籽油菜籽是提高油分含量的有效方法（Yang et al.，2021）。芥菜和油菜黄籽品种的鉴别相对简单，因为纯黄色表型在遗传上是稳定的（Li et al.，2012；Chen et al.，2015）。然而，由于种皮颜色变异复杂，包括黄色中夹杂黑色斑点、斑块或棕色环等杂色，油菜种皮一直未能获得稳定的纯黄色后代，且分离后代的种皮颜色呈现连续变异（刘，1992；Auger等，2010；Qu等，2013），因此准确、高效地测定油菜种皮颜色仍是一项关键且具有挑战性的任务。许多研究涉及油菜籽颜色的鉴别（Li等，2001；Somers等，2001；Zhang等，2006；Baetzel等，2003；Tańska等，2005；Li等，2012；Liu等，2005；Ye等，2018）。例如，Li等（2001）通过目视观察来评估甘蓝型油菜的黄籽程度，这种方法简单但过于依赖观察者，导致识别可能不准确。Somers等（2001）利用光反射来评估黄籽颜色等级，通过测量反射值并计算籽粒颜色指数或光反射值。该方法虽然较为客观，但仅能捕捉亮度等单维颜色数据，忽略了原始材料的丰富信息。为了解决这一限制，许多学者致力于通过 RGB 颜色系统进行数字图像分析（ Zhang et al.，2006 ； Baetzel et al.，2003 ； Ta ńska et al.，2005 ； Li et al.，2012 ； Liu et al.，2005 ； Ye et al.，2018 ）。然而，油菜籽表皮颜色复杂且相似，精准识别颜色具有挑战性，现有的技术缺乏可靠性和标准化。因此，准确、有效地测量黄籽油菜的颜色仍然至关重要。化学计量学和计算机技术的最新进展导致了近红外光谱技术（NIRS）的发展，这是一种结合物体图像和光谱数据的技术。 NIRS 以其速度快、无损和高效而闻名，被广泛用于农产品的快速、无损分析。多项研究已经证明了它的实用性（Guo 等人，2019年；布等人，2023；梁等人，2023；刘等人，2021；佩蒂斯科等人，2010；森等人，2018；刘等人，2022；张等人，2020；魏等人，2020；张等人，2018；江等，2017；李等人，2022；江等，2018；他等人，2022）。例如，郭等人。 (2019) 使用 NIRS 成像系统 (380 – 1,000 nm) 来准确量化掺假大米，而 Bu 等人。 (2023) 将高光谱成像与卷积神经网络相结合，建立了高粱品种识别的智能模型，准确率超越了现有模型。该技术也已应用于油菜生长诊断。例如，刘等人 (2021) 开发了一种基于高光谱技术的检测算法来预测甘蓝型油菜中的油酸含量。Petisco 等人 (2010) 研究了甘蓝型油菜的可见光和近红外光谱。
估算森林生物量并识别低强度采伐...
本研究的目的是利用机载激光雷达数据估算巴西安蒂玛利国家森林 (FEA) 1000 公顷热带森林的地上生物量并确定选择性采伐干扰的区域。研究区域由三个管理单位组成，其中两个单位未砍伐，而第三个单位的选择性采伐强度较低（约 10-15 立方米/公顷或总体积的 5-8%）。对 50 个 0.25 公顷地面植物进行标准随机抽样测量，并用于构建基于激光雷达的地上生物量 (AGB) 回归模型。使用激光雷达模型辅助方法估算已砍伐和未砍伐单位的 AGB（使用合成和模型辅助估算器）。这些预测使用了两个激光雷达解释变量，以 50 mx 50 m 的空间分辨率计算：1) 所有地面以上返回物的第一个四分位数高度 (P25)；2) 所有返回物地面以上高度的方差 (VAR)。模型辅助 AGB 估计量 (总计 231,589 Mg±5.477 SE；平均值 231.6 Mg ha-1±SS SE；±2.4%) 比仅针对样地的简单随机样本估计量 (总计 230,872 Mg±10.477 SE：平均值 230.9 Mg ha-1±10.5 SE；±4.5%) 更精确。使用综合估算法获得的总体和平均 AGB 估值（总体 231,694 毫克，平均 231.7 毫克/公顷）几乎与使用模型辅助估算法获得的估值相等。在分析的第二个部分，还以 1 米 x 1 米的分辨率计算了激光雷达指标，以确定选择性采伐管理单位内受伐木活动影响的区域。在 GIS 中使用高分辨率冠层相对密度模型 (RDM) 来识别和描绘道路、滑道、登陆点和采伐树隙。根据 RDM 确定的选择性采伐影响的面积为 58.4 公顷，占总管理单位的 15.4%。使用这两种空间分辨率的激光雷达分析，可以识别选择性采伐区域中 AGB 的差异，这些区域具有相对较高的残留大乔木冠层覆盖率。在选择性砍伐管理单元中，受影响区域的平均 AGB 明显低于未受干扰区域 (p = 0.01)。由 Elsevier Inc. 出版。
识别 2 型糖尿病亚组的潜在价值...
博士 4,5,6 ，Joline WJ Beulens，博士 4,5,7 ，Leen M. 't Hart，博士 4,5,6,8 ，Ewan R. Pearson，博士 9 ，
1型糖尿病识别 - 类型1糖尿病遇险
2018年加拿大糖尿病临床实践指南（CPG）强调，所有糖尿病患者都应定期筛查糖尿病困扰，以及其他社会心理问题。9但是，这并不总是在加拿大作为标准实践进行。10评估糖尿病困扰的最广泛使用的工具是糖尿病（付费）量表，糖尿病遇险量表（DDS）和1型糖尿病（T1D）（T1-DDS）（T1-DDS;表1）的问题区域。1个缩写版本的前两种仪器可用于在繁忙的练习环境中对患者进行初步筛查，但付费量表仅提供英语。第三个仪器（T1-DDS）是唯一专门为T1D人开发的工具。此工具与其他工具的分量表有所不同，该工具的量表集中在以下领域，这些领域已被确定为T1D 11的人的特定困扰来源：
确定绿色供应链实践的障碍
e anup ranade摘要目的：近年来“绿色供应链管理”（GSCM）一词已成长。在一个残酷的市场中，大多数中小型企业都在建立自己的生产设施。由于公众意识，经济增长，环境问题或监管变化的越来越多，对GSCM的需求不断增长。本研究试图查明在此环境中在那格浦尔经营的中小型企业所面临的驱动因素和障碍。设计/方法/方法：为了确定各种驱动因素和障碍之间的上下文联系，研究人员已经确定了它们。还提出了使用修改策略来确定中小型企业中GSCM实现的驱动因素。发现：在文献和与随后的学术和工业专业人员的磋商中发现了六种相关障碍。三个障碍已被认为是驾驶员结构，三个障碍被认为是链接结构，一个障碍被认为是依赖结构。没有已知的障碍是自治变量。均确定了一个底层障碍和三个顶级障碍。消除了这些障碍。研究局限性/含义：基于专家的思想，建立了这些障碍的猜想模型。因此，还可以根据与现实世界问题相关的调整后得出的结果。实践含义：对这些障碍有清晰了解的组织将更好地设定优先级并管理其资源。独创性/价值：通过本报告，研究人员有助于确定Nagpur中小企业实施GSCM的障碍。已建立的结构化模型
识别和管理人工智能偏见的提案
3 有关本次研讨会的更多信息，请参阅 https://www.nist.gov/news-events/events/2020/08/bias-ai- workshop 和本文件的附录 B。 4 完整的书目调查可以在 https://www.nist.gov/system/files/documents/2021/03/26/20210317_NIST%20AI_Bibliography.pdf 找到
从历史数据中识别飞行效率低下的根源...
摘要 — 本文提出了一套旨在捕捉飞机运行对环境影响的新绩效指标 (PI)。其贡献有三方面：计算最佳轨迹以将其与历史轨迹进行比较，并得出几个飞行效率 PI；提出了一系列基于燃料的 PI，其中燃料仅从不需要机密数据的监视轨迹数据集中估算；并提出了不同的 PI 和变体，旨在分离和识别不同的环境效率低下来源，区分那些可能归因于不同空中交通管理 (ATM) 层的，以及那些可归因于空域用户 (AU) 的。对两天的不同情况进行了案例研究，其中使用拟议的 PI 对 24 小时内穿越 FABEC 空域的所有交通的飞行效率进行了评估。主要结果表明，当以最大航程运行且无航路收费的完全免费航线作为最佳航迹的参考时，可归因于 ATM 的平均燃油效率约为 250 公斤（7.8%）。AU 引起的燃油效率（由于飞行速度超过最大航程速度）平均约为 100 公斤（3%）。还得出结论，垂直和水平轨迹域中的燃油效率对整体飞行效率的贡献相似。然而，战略层面的水平效率更高，而 n