XiaoMi-AI文件搜索系统
World File Search SystemM15
数字经济如何挑战新自由主义议程
David Cayla 1 摘要：新自由主义学说诞生于 20 世纪 30 年代，旨在复兴自由市场自由主义，旨在建立一种既能规范市场又能规范社会的竞争秩序。然而，对如何实施竞争的解释在历史上一直各不相同。起源于秩序自由主义的欧盟倾向于采取干预主义方法，而芝加哥学派在美国具有影响力，美国担心公共干预不足可能会降低全球效率。数字革命和科技巨头的出现带来了新的挑战。面对巨大的规模收益递增，竞争管理机构最初减少了干预，以提高市场效率。但数字平台的出现以及保护个人数据免遭滥用的意愿促使它们现在采取一种超越经济和效率问题的新策略，进行更多干预。本文认为，新自由主义的愿景不再适合规范数字经济。它表明平台经济不是管理市场的替代方式，而是市场本身的替代品。因此，为了应对这些问题，需要一种全新的公共监管理念。关键词：数字经济、个人数据、竞争政策、新自由主义、秩序自由主义。JEL 分类代码：B05、K21、L40、M15。
经济与管理杂志
抽象目标/目的 - 本研究旨在确定人工智能（AI）在实现可持续发展目标（SDG）方面的作用，并特别提及其目标，并在这方面提出良好的实践。设计/方法论/方法 - 本研究基于综合文献综述采用定性研究，其中包括五个阶段：问题识别，文献搜索，数据评估，数据分析和发现结果。发现 - 本研究提出了一个利用AI实现可持续发展目标的框架。它决定了AI在实现每个可持续发展目标中的作用，确定了使用AI实现这些目标的最佳实践，并建议系统地部署AI以实现可持续发展目标的主要步骤。研究含义/局限性 - 提出的发现反映了作者对AI在基于综合文献综述中实现可持续发展目标中作用的作用的观察，这些综述可能忽略了一些文献对AI对单个SDG的影响或缺乏有关此类互联链接的公开证据。创意/价值/贡献 - 本研究通过为利用AI实现可持续发展目标的全面框架提供了一个全面的框架来为现有的知识体系做出了贡献。它系统地识别和详细说明了AI在推进每个可持续发展目标中的作用，强调有效部署AI的最佳实践，并建议将AI集成到SDG计划中。该研究的价值在于它有能力指导政策制定者，研究人员和实践者利用AI解决关键全球挑战的潜力，同时强调需要仔细考虑现有文献中潜在的局限性和差距。1。关键词：可持续发展，可持续发展目标，2030年议程，人工智能，AI。JEL分类：033，M15; Q01。简介
培育可持续城市和社区
a 曼彻斯特城市大学自然科学系，英国曼彻斯特 M15 5GD Chester Street b 曼彻斯特教育学院，曼彻斯特大学环境、教育与发展学院，英国 c 费尔南多佩索阿大学（UFP）费尔南多佩索阿研究、创新与发展研究所（FP-I3ID），Praça 9 de Abril 349，4249-004 Porto，葡萄牙 d 科英布拉大学海洋与环境科学中心（MARE），Edifício do Patronato，Rua da Matem ´ a tica, 49，3004-517 Coimbra，葡萄牙 e 南里奥格兰德联邦大学（UFRGS）管理学院，855 Washington Luiz St，90010460 Porto Alegre，RS，巴西 f 全球管理研究，多伦多城市大学泰德罗杰斯管理学院，55 Dundas St.加拿大多伦多 M5G 2C5 西部 g 印度理工学院鲁尔基分校水文系 h 帕苏丰杜大学土木与环境工程研究生课程，校区 I-BR 285，圣若泽，帕苏丰杜，RS 99052-900，巴西 i 卡塔尔大学艺术与科学学院国际事务系政策、规划与发展课程，多哈，卡塔尔 延布工业学院测绘工程技术系，沙特阿拉伯延布 k 汉堡应用技术大学欧洲可持续发展科学与研究学院，Ulmenliet 20, 21033 汉堡，德国
基因组辅助育种气候智能型咖啡
缩写：香气喜好，AROMA；平均产量，YIELD；贝克比率，PR；贝叶斯稀疏线性混合模型，BSLMM；豆大小，GSIZ；叶斑病，CERC；咖啡潜叶虫，LMINER；咖啡叶锈病，RUST；平衡，EQUIL；风味喜好，FLAVOR；开花时间，FL；一般配合力，GCA；一般倾向，GL；一般尺度，GSCE；全基因组关联研究，GWAS；基因组选择，GSCE；叶枯病，LBLIGHT；似然比检验，LRT；连锁不平衡，LD；标记辅助选择，MAS；成熟期，UNIF；成熟时间，MAT；参与决定表型的稀疏效应基因座的数量，n_gamma；整体喜好，OVLIKING；感知，HEDONIC；植物结构，PRT；后验包含概率，PIP；主成分分析，PCA；由具有主要效应的遗传变异解释的遗传变异比例，rho；由稀疏效应和随机效应解释的表型变异比例，PVE；仅由稀疏效应解释的 PVE 比例，PGE；数量性状基因座，QTL；鼻后，RETRO；筛残差，RES；筛孔尺寸，M15；筛孔尺寸，M13；筛孔尺寸，M10；简单序列重复，SSR；单核苷酸多态性，SNP；酸味，ACIDITY；特定配合力，SCA；甜度，SWEET；干加工和未烘焙的生豆重量（以克为单位），GREEN；使用自然干燥方法（日晒豆）后的咖啡果实重量（以克为单位），CHERRY；2014-2015 年产量，YB1； 2016-2017 年产量，YB2；2018-2019 年产量，YB3。
AI在管理问题背景下的道德困境
Andrzej Sztandera 1，Dominik Borek 2，Kamil Nowacki 3摘要：目的：目的：本文的目的是分析与AI应用有关的选定的道德困境，然后在更广泛的文明环境中向他们展示，对管理人类团队有用。方法论基础：作者摆脱了经典的伦理解释，专注于当代情境伦理，使现代化的AI困境实现了现代方法。难题使您有可能在某种程度上“从内部”出现问题，并考虑到各种道德，心理，法律，文化背景。在分析现代世界的复杂问题中，古典伦理的不足促使人们寻找新的分析工具。结论：几乎每天都在确认为广泛使用AI的个人和人类团队做好准备的悲观论文，即我们不是作为个人和人类团队做好了准备。道德，法律，管理，教育，医学和许多其他领域并没有跟上数字化转型的快速发展。本文分析的案例研究说明了这一意见。ai是人类的绝佳机会，但是，如果我们不打开正确的“保险丝”，人类就可以用作机器的附加功能。实际含义：本文中介绍的每个案例研究都可以激发AI的实际应用。但是，这与特定的技术解决方案无关，而与人机关系有关。AI治理是一个非常重要的领域，它将组织中的技术和社会通信过程整合在一起。JEL代码：M14，O33，L86，D63，M15。团队管理越好，对AI应用程序的开放性越大。这是关于保护人类自主权与智能机器有关的应用。独创性/价值：AI辩论由操作方法的方法主导。本文介绍了一种与人类计算机界面伦理有关的上下文批评方法。关键词：AI道德困境，AI治理，管理科学，旅游业，医学，自我 - 驾驶汽车，情境伦理，可信赖的AI。纸质类型：研究文章。
new Proctor_list_2024-25
否。Name of Proctors/Mentors Name of Department Section 1 Prof. Shubhangi Soni Physics M1 2 Prof. Khushboo Purohit Gf Physics M2 3 Prof. Pooja Chaubyy Gf Maths M3 4 Prof. B. Chauraiya Physics M4 5 Prof. Kapil Shrivastava Physics M5 6 Prof. Nidhi Parmar Pysics M6 7 Prof. Jaya vanpure gf computeter M7 8 Prof. Sangeeta Jamod Maths M8 9 Prof. Priyanka Tyagi GF Mathas M9 10 Prof. Anshu Jain Chemsitry M10 11 Prof. Preti Barvey GF ChemSitry M11 12 Prof. Parul Pandey Gf Geology M12 13 Prof. Vinay Dashore GF Physics M13 14 Prof. Pooja Rathore GF Computer M14 15 Prof. Harsh Palliwal GF Computer M15 16 Prof. Bhavna Bhadkare GF Computer M16 17 Prof. Vinita Khare Chemsitry B1 18 Prof. Rahul Sirvi Gf Geology B2 19 Prof. Arun Kumar Patel Gf Biotech/Bioinformatics B3 20 Prof. Mrinalini Jadhav Gf Computer B4 21 Prof. Namita Khosla gf chemsitry B5 22 Aakrati Shrivstava教授GF生物技术/生物信息技术B6 23 Bhavna Sharma教授Bhavna Sharma Gf Biochem B7教授Ruchi Shiwale GF Zolog Zolog B8 25 Hema Hema Kochar kochar kochar Gf Pharma B9 26 26 26 Alka dubey gf dubey gf dubey gf trec prec dec prec prec dec graf pr. GF植物学B12 29 Reeta Agrawal Chemsitry教授B13 30 Rajendra Kumar Chauraia动物学B14Name of Proctors/Mentors Name of Department Section 1 Prof. Shubhangi Soni Physics M1 2 Prof. Khushboo Purohit Gf Physics M2 3 Prof. Pooja Chaubyy Gf Maths M3 4 Prof. B. Chauraiya Physics M4 5 Prof. Kapil Shrivastava Physics M5 6 Prof. Nidhi Parmar Pysics M6 7 Prof. Jaya vanpure gf computeter M7 8 Prof. Sangeeta Jamod Maths M8 9 Prof. Priyanka Tyagi GF Mathas M9 10 Prof. Anshu Jain Chemsitry M10 11 Prof. Preti Barvey GF ChemSitry M11 12 Prof. Parul Pandey Gf Geology M12 13 Prof. Vinay Dashore GF Physics M13 14 Prof. Pooja Rathore GF Computer M14 15 Prof. Harsh Palliwal GF Computer M15 16 Prof. Bhavna Bhadkare GF Computer M16 17 Prof. Vinita Khare Chemsitry B1 18 Prof. Rahul Sirvi Gf Geology B2 19 Prof. Arun Kumar Patel Gf Biotech/Bioinformatics B3 20 Prof. Mrinalini Jadhav Gf Computer B4 21 Prof. Namita Khosla gf chemsitry B5 22 Aakrati Shrivstava教授GF生物技术/生物信息技术B6 23 Bhavna Sharma教授Bhavna Sharma Gf Biochem B7教授Ruchi Shiwale GF Zolog Zolog B8 25 Hema Hema Kochar kochar kochar Gf Pharma B9 26 26 26 Alka dubey gf dubey gf dubey gf trec prec dec prec prec dec graf pr. GF植物学B12 29 Reeta Agrawal Chemsitry教授B13 30 Rajendra Kumar Chauraia动物学B14
网络攻击对供应链的威胁
Sylwia Konecka 1 , Zbigniew Bentyn 2 摘要：目的：本研究旨在调查如何识别和评估供应链中的网络威胁，特别关注评估威胁图作为此目的工具的效用。设计/方法/方法：本研究定义和分类各种类型的网络攻击，并提供现实世界供应链中断的例子。使用 Web of Science (WoS) 数据库进行了文献计量分析，重点关注过去五年的开放获取材料。搜索包括术语“供应链”、“威胁”、“网络”和“网络攻击”。此外，还审查了来自 Statista 的二手数据，并利用 Check Point 的 ThreatMap 进行了一项试点研究。结果：研究表明，网络攻击对供应链构成了重大威胁，但管理和经济学领域对这一主题的研究有限。研究结果强调了在了解哪些国家和行业最容易受到攻击以及攻击类型的频率方面存在差距。分析还发现威胁地图数据存在差异，表明这些工具可能无法提供实际攻击事件的全面视图。实际意义：这项研究强调了开发实时数据工具来跟踪网络威胁的重要性。它还表明，医疗保健和政府部门特别容易受到网络攻击，未来的研究应该研究人工智能在增强供应链安全方面的作用。原创性/价值：这项研究发现了现有供应链网络威胁研究中的差距，特别是受影响最严重的行业和国家。它还深入了解了威胁地图的局限性以及需要结合管理、经济学和计算机科学的跨学科方法，以确保供应链的弹性。关键词：供应链、网络威胁、网络攻击、漏洞、威胁地图、工业 5.0、数字化、文献计量分析。JEL 分类：M15、L20、O33。论文类型：研究文章。致谢：本出版物由波兹南经济大学“供应链管理中的创新和现代信息技术”项目资助。
在快速发展的大流行中部署人工智能模型的挑战
胡一鹏 1,2,4 约瑟夫·雅各布 1,3 杰弗里·JM·帕克 1,5,6 大卫·J·霍克斯 1,2,4 约翰·R·赫斯特 3 丹奈尔·斯托亚诺夫 1,2,5 1 伦敦大学学院医学图像计算中心，2 威康/EPSRC 介入和外科科学中心，3 伦敦大学学院呼吸科，4 医学物理和生物医学工程系，5 计算机科学系，伦敦大学学院，Gower Street，伦敦 WC1E 6BT，英国 6 Bioxydyn Limited，Pencroft Way，曼彻斯特，M15 6SZ，英国 通信：yipeng.hu@ucl.ac.uk 由严重急性呼吸系统综合症冠状病毒 2 引起的 COVID-19 大流行，发生在一个被基于大数据、计算能力和神经网络的人工智能（AI）迅速改变的世界。近年来，这些网络的目光越来越多地转向医疗保健领域的应用。COVID-19 是一种全球性疾病，对健康和经济造成破坏，或许不可避免地会吸引全球学术界和工业界的计算机科学家的关注和资源。AI 支持应对疫情的潜力已在广泛的临床和社会挑战 [1] 中提出，包括疾病预测、监测和抗病毒药物发现。随着疫情对世界人民、工业和经济的影响不断扩大，这种情况可能会持续下去，但对当前疫情的一个令人惊讶的观察是，迄今为止，AI 在 COVID-19 管理中的影响有限。本通讯重点探讨了在前线医疗服务中未能成功采用为 COVID-19 诊断和预后开发的 AI 模型的潜在原因。我们强调了模型在疫情的不同阶段必须解决的不断变化的临床需求，并解释了将模型转化为反映当地医疗环境的重要性。我们认为，基础研究和应用研究对于加速人工智能模型的潜力都至关重要，在迅速发展的疫情期间尤其如此。 从这个角度看，对 COVID-19 的反应，或许可以让我们一窥全球科学界应如何应对未来的疾病爆发，以更有效地应对。