XiaoMi-AI文件搜索系统
World File Search SystemMultinomial
基因组编辑技术认知度的提高和接受度的下降：中国双胞胎婴儿的影响
近年来，基因组编辑技术越来越为人所知，2018 年中国基因组编辑双胞胎的新闻对公众认知产生了尤为显著的影响。在本研究中，我们调查了日本媒体报道对公众对这项技术的看法的影响。为了确定这些影响，我们采用问卷调查的方法，对在线研究公司 Macromill 的预先注册的样本进行了调查。我们从 2016 年到 2019 年进行的反复调查显示，人们普遍支持将基因组编辑方法应用于医学。为了了解这一点，我们采用了多项 Logit 分析，研究了对该技术产生正面和负面印象的决定因素。结果表明，尽管出于医疗目的的编辑仍然大多可以接受，但将其用于使人类卵子受精却越来越被拒绝，尤其是在最近的样本年 2019 年。这表明，虽然公众接受了基因组编辑在一般医学领域的应用，但对其在人类功能增强中的应用却越来越受到抵制。中国双胞胎婴儿的消息确实提高了公众对这些方法的认识，但也损害了它们的声誉。因此，基因组研究人员必须牢记这些担忧，让公众了解不断变化的技术基础。作为一个相关问题，我们还调查了公众对动物和植物育种（例如农业和渔业）基因组编辑的接受程度。我们发现，日本公众认为这项技术的医学和育种应用彼此没有联系，尽管近年来人们对这两项技术的认识都有了显著提高。
埃塞俄比亚西北部阿耶胡流域小农户应对气候变化影响的适应策略选择的决定因素
适应气候变化对于埃塞俄比亚等发展中国家的可持续生计至关重要，因为雨养农业是这些国家的经济支柱。本研究旨在评估不同农业生态区的本土和引进的适应措施及其决定因素。我们使用结构化和半结构化问卷从 338 个农户收集数据。加权平均指数 (WAI) 用于确定不同农业生态区农户采用的最重要的适应方法，而问题对抗指数 (PCI) 则评估阻碍这些策略实施的障碍。多项逻辑模型 (MNL) 用于调查影响农民选择适应策略的因素。结果表明，最受欢迎的本土适应策略是种植当地作物品种 (WAI = 2.22)、作物多样化 (WAI = 2.15) 和调整种植日期 (WAI = 2.14)。引入的适应策略包括使用无机肥料（WAI = 2.64）、应用改良作物品种（WAI = 2.41）以及使用杀虫剂和除草剂（WAI = 2.24）。PCI 结果显示，适应气候变化的主要障碍是农场规模有限（PCI = 694）、缺乏气候信息（PCI = 641）、土壤质量差（PCI = 639）、缺乏灌溉设施（PCI = 623）和投入成本高（PCI = 610）。logit 模型确定了影响农民对适应措施偏好的几个重要因素，例如作物歉收、信贷可用性、反复干旱、气候变化感知、农业生态位置和家庭收入。该研究强调了了解影响农民适应策略的当地因素以增强他们对气候变化的适应能力的重要性。
地理位置1 2025 belayneh.indd
摘要提倡小型咖啡农的特征和看法强烈影响气候变异性/变化响应机制的使用和选择。因此，我们调查了在1992 - 2022年在埃塞俄比亚Mattu Woreda期间，在1992 - 2022年期间选择小农适应策略的气候变化/变异性观念和确定因素。这项研究使用横截面研究设计，因为数据是从不同组（适配器和非适应器）收集的。随机选择了325个咖啡农的样本，以进行自我管理的问卷调查，并补充了面对面的访谈和焦点小组讨论。使用多项式逻辑回归模型进行统计分析。这项研究的结果表明，有79％的咖啡农人意识到气候变化以及对咖啡增长，生产，生产力和质量的相关后果。咖啡养殖者在阴影下种植咖啡，紧密的间距，覆盖和灌溉，开发适应能力的咖啡品种，发展疾病和耐热品种，改变位置和种植日期，并修剪作为减少气候变化对咖啡生产的影响的策略。但是，大多数咖啡农都喜欢在阴影和修剪下种咖啡。咖啡农中气候变化/变异性适应策略的选择受到年龄，家庭规模，咖啡农场经验，土地持有规模，HHS收入，咖啡农场土地的距离，访问气候信息以及培训和TLU的影响（p <0.05）。因此，建议向农民提供气候信息，推广服务和种子品种，并建议改善社会和身体基础设施，以更好地适应和减轻气候变化/可变性的影响。
建立联系：青春期早期不良经历后大脑连接发生的神经发育变化
不良童年经历与成年后的不良心理健康结果有关。本研究探讨了逆境和心理健康结果之间的潜在神经发育途径：大脑连接。我们使用了前瞻性、纵向青少年大脑认知发展 (ABCD) 研究的数据（N ≍ 12.000，参与者年龄 9-13 岁，男性和女性），并使用白质束的分数各向异性 (FA) 评估了大脑的结构连接。建模的不良经历包括家庭冲突和创伤经历。K 均值聚类和潜在基础增长模型用于根据大脑连接的总体水平和轨迹确定子组。多项回归用于确定聚类成员资格和不良经历之间的关联。结果表明，家庭冲突越高，脑束（例如，t (3) = − 3.81，β = − 0.09，p bonf = 0.003）和胼胝体（CC）、穹窿和丘脑前部放射（ATR）内的 FA 水平就越高。两个脑成像时间点的 FA 轨迹下降与较低的社会经济地位和社区安全有关。社会经济地位与脑束（例如，t (3) = 3.44，β = 0.10，p bonf = 0.01）、CC 和 ATR 内的 FA 相关。社区安全与穹窿和 ATR 中的 FA 相关（例如，t (1) = 3.48，β = 0.09，p bonf = 0.01）。不良经历与大脑发育之间存在着复杂而多方面的关系，其中青春期早期的不良经历与大脑连接有关。这些发现强调了研究早期儿童期以外的不良经历对于了解终身发展结果的重要性。
尼泊尔案件
与科学和工程等“硬”学科相比，对能源的社会方面和应用机器学习（ML）（ML）的研究受到限制。我们的目标是通过这项综合能源，社会科学和ML的多学科研究为这个利基提供贡献。具体来说，我们的目的是：（i）比较家庭（HH）能量中不同ML模型的适用性； （ii）使用最合适的模型来解释人们对HH能量的看法。我们对发展中国家（尼泊尔）的323 HHS进行了横断面调查，并提取了14个预测变量和一个响应变量。我们测试了七个ML模型的性能：K-最近的邻居（KNN），多层感知器（MLP），额外的树分类器（ETC），Random Forest（RF），Ridge Classifier（RC），多项式回归 - Logit（MR-L）和ProbIT（MR-P）在分类中的人的反应中。对六个指标（混淆矩阵，精度，F1得分，召回，平衡精度和总体精度）进行评估。在这项研究中，的表现优于所有其他模型，表明对同意，中性和不同意响应类别的平衡精度分别为0.79、0.95和0.68。 结果表明，与常规的统计模型相比，数据驱动的ML模型在对人们的看法进行分类方面更好。 可以看出，大多数来自农村（68％）和半城市地区（67％）的被调查人（67％）往往会因经济限制和缺乏认识而抵抗能源的变化。 有趣的是，大多数（73％）的城市居民对变化开放，但由于对该州的不信任，仍然诉诸燃料。的表现优于所有其他模型，表明对同意，中性和不同意响应类别的平衡精度分别为0.79、0.95和0.68。结果表明，与常规的统计模型相比，数据驱动的ML模型在对人们的看法进行分类方面更好。可以看出，大多数来自农村（68％）和半城市地区（67％）的被调查人（67％）往往会因经济限制和缺乏认识而抵抗能源的变化。有趣的是，大多数（73％）的城市居民对变化开放，但由于对该州的不信任，仍然诉诸燃料。这些基层水平的反应具有强大的政策影响。
影响城市空中交通采用和使用的因素
近年来，技术进步推动了城市空中交通 (UAM) 的发展，这是一种替代性交通方式，其多种概念包括由按需全自动垂直起降飞机 (VTOL) 操作的车辆用于市内客运。然而，尽管人们对 UAM 的兴趣日益浓厚，但用户对它的看法仍然有限。本研究旨在基于文献中的相关工具，例如飞行器概念和地面自动驾驶汽车研究中反复出现的因素，以及接受模型，如 Davis 等人 (1989) 的技术接受模型，来识别和量化影响 UAM 的采用和使用的因素。我们制定了一份陈述偏好调查，以评估用户对采用时间范围的看法，包括服务实施的前六年、“不确定”和“从不”等选项。使用探索性因子分析以及合适的离散选择模型、多项逻辑模型 (MNL) 和有序逻辑模型 (OLM) 的指定和估计来评估所获得的结果，以采用时间范围为因变量。研究结果表明，安全性和信任、对自动化的亲和力、数据关注度、社会态度以及社会人口统计对于采用至关重要。节省时间的价值、对自动化成本的认知以及服务可靠性等因素也被发现具有很大的影响力。还有迹象表明，持怀疑态度的受访者（即回答“不确定”）的行为与晚期和非采用者相似，即采用时间范围超过六年或回答“从不”。总结结果以扩展的城市空中交通技术接受模型来表示，并为政策制定者和行业利益相关者提供了见解。
影响城市空中交通采用和使用的因素
近年来，技术进步推动了城市空中交通 (UAM) 的发展，这是一种替代性交通方式，其多种概念包括由按需全自动垂直起降飞机 (VTOL) 操作的车辆用于市内客运。然而，尽管人们对 UAM 的兴趣日益浓厚，但用户对它的看法仍然有限。本研究旨在基于文献中的相关工具，例如飞行器概念和地面自动驾驶汽车研究中反复出现的因素，以及接受模型，如 Davis 等人 (1989) 的技术接受模型，来识别和量化影响 UAM 的采用和使用的因素。我们制定了一份陈述偏好调查，以评估用户对采用时间范围的看法，包括服务实施的前六年、“不确定”和“从不”等选项。使用探索性因子分析以及适当的离散选择模型、多项逻辑模型 (MNL) 和有序逻辑模型 (OLM) 的规范和估计对所获得的结果进行了评估，其中采用时间范围作为因变量。研究结果表明，安全性和信任、对自动化的亲和力、数据关注、社会态度和社会人口统计学对于采用自动化非常重要。还发现，诸如节省时间的价值、对自动化成本的认知和服务可靠性等因素也具有很大的影响力。还有一个 ind
商业实体战略中的社会责任
摘要：社会责任是公司实践的常见部分，也是科学研究的既定话题。外国研究反复得出结论，将社会责任纳入公司战略和对CSR各个方面的战略管理的一致整合，增强了公司的成长，带来了竞争优势，并为社会的可持续发展做出了贡献。本文的目的是找出与企业企业社会责任的战略概念的捷克共和国商业实体，与那些社会责任的方法相比，企业企业社会责任的战略概念是否取得了更好的经济结果。此外，它试图回答一个问题，即通过不同的公司战略，希望专注于支持公司增长的不同CSR活动。对战略性企业社会责任和基本经济特征的维度进行了调查，对从事企业社会责任的400多家捷克公司进行了调查。通过聚类分析，因子分析和多项式逻辑回归的方法处理数据。结果表明，CSR的更先进（即战略性）概念与实现经济繁荣之间存在联系。还发现，具有不同公司战略的公司应仔细考虑各个CSR活动的好处。所有三种策略均表现出了针对员工和当地社区的活动产生的积极影响。差异化策略显示了培养市场环境和保护人权保护的最高质量战略的好处。以最低的价格策略，额外的企业社会责任活动并不意味着经济优势。结论有助于阐明捷克商业环境中战略企业社会责任与公司增长之间的联系，并贡献特定的知识，如果公司想加强其对社会负责的活动的积极影响，则可以实施这些知识。
医学学生研究计划
导师：Electra Paskett博士项目标题：与年轻人（年龄<65岁）与年龄较大（年龄≥65岁）医学学院研究奖：Samuel J. Roessler纪念奖学金摘要：COVID-19美国相关死亡的年龄较大（≥65岁）年龄段相关死亡。共同-19疫苗接种可以降低死亡率/传播，但<65的疫苗接种率较小。调查（3/2/21-9/9/21）被分发给同意先前同意重新连接的俄亥俄参与者（n = 4605）。问题评估了社会人口统计学，COVID-19的相关信念（在健康信念模型下感知的障碍，感知的风险或自我效能感）和Covid-19-19疫苗状况（是/否或打算接种疫苗）。调整后的多项式逻辑回归模型评估了信念和行为之间的关联，与年龄段的暴露（年轻人与旧）。样本为58.7（13.1）的平均（SD）年龄。对于提供疫苗的人，年龄组（AOR = 1.7，95％CI = 1.13-2.55），并担心财务损失预测疫苗接种状态（AOR = 1.27，95％CI = 1.01-1.59）。对于年轻年龄段的人群，人们对捕获COVID -19预测的疫苗接种状态非常关注（AOR = 2.40，95％CI = 1.77-3.27）。对于未提供疫苗的人，由于COVID -19引起的压力或焦虑预测了疫苗接种意图（AOR = 2.94，95％CI = 1.45-5.97）。提高对影响疫苗摄取/意图的共同信念的理解提供了一种知情的途径，可以通过该途径靶向疫苗干预措施并减少正在进行的COVID-199死亡人数。Narrated Poster: http://surveygizmoresponseuploads.s3.amazonaws.com/fileuploads/191224/7030664/79- 9b928f5849e68f68020fb6a0aa9ed9eb_Chloe_Amsterdam.pptx
机器学习（R22A6602）.pdf
课程目标： 1. 认识机器学习的基本术语和基本概念。 2. 理解监督学习模型的概念，重点关注最新进展。 3. 关联监督学习的神经网络模型概念 4. 发现机器学习的无监督学习范式 5. 理解强化学习和集成方法的概念。 UNIT-I 简介：机器学习、监督学习、无监督学习、强化学习简介。深度学习。 特征选择：过滤器、包装器、嵌入式方法。 特征规范化：最小-最大规范化、z 分数规范化和常数因子规范化 降维简介：主成分分析（PCA）、线性判别分析（LDA） UNIT-II 监督学习 - I（回归/分类） 回归模型：简单线性回归、多元线性回归。成本函数、梯度下降、性能指标：平均绝对误差（MAE）、均方误差（MSE）R 平方误差、调整 R 平方。分类模型：决策树 - ID3、CART、朴素贝叶斯、K 最近邻（KNN）、逻辑回归、多项逻辑回归支持向量机 (SVM) - 非线性和核方法 UNIT – III 监督学习 – II（神经网络）神经网络表示 – 问题 – 感知器、激活函数、人工神经网络 (ANN)、反向传播算法。分类指标：混淆矩阵、精度、召回率、准确度、F 分数、ROC 曲线。UNIT – IV 分类中的模型验证：交叉验证 - 保留方法、K 折、分层 K 折、留一交叉验证。偏差-方差权衡、正则化、过拟合、欠拟合。集成方法：Boosting、Bagging、随机森林。UNIT – V 无监督学习：聚类-K-均值、K-模式、K-原型、高斯混合模型、期望最大化。强化学习：探索和利用权衡、非关联学习、马尔可夫决策过程、Q 学习