XiaoMi-AI文件搜索系统
World File Search SystemPreferences
排放目标和投资偏好
生物质可以帮助许多领域实现气候目标。在发电中，它可以补充可变的可再生能源，或者，如果与碳捕获和存储（CC）相结合，也提供了负emisions。本文通过关注平衡可变的可再生能源与生物质的成本偏执，并提供有关接受这些技术的指示，从而增加了现有文献。动态优化模型用于分析生物量在欧洲电力系统中的作用，以期为2050年不同的排放目标。将结果与有关生物量技术的投资优先数据以及风能和太阳能的调查数据进行了比较。如果允许使用CCS的生物能源，则观察到更集中使用的生物质的发射目标的制剂极大地影响了生物量的成本效益。这表明欧洲范围内的排放目标可能比单独的国家目标更具成本优势。政府和非政府参与者往往对投资生物质技术往往是负面的，尽管如果与CC结合使用，则差异更大，这表明实施可能挑战。在所有国家，他们对风能和太阳能的态度都更加积极，支持了欧洲电力系统中可变新建份额越来越份额的现有趋势的延续。©2020作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
月经周期中的食物偏好
背景：由于饮食行为随月经周期而变化，并且体重随更年期过渡而变化，因此卵巢激素似乎参与调节饮食行为。然而，由于与营养流行病学相关的方法问题，观察结果相互矛盾且难以比较。为了更好地了解卵巢类固醇激素与饮食行为之间的关系，我们的研究评估了女性在月经周期不同时间点对视觉食物线索的反应与其特定的血清雌激素/孕酮水平，以及女性在生育治疗中雌激素发生强烈变化的情况下的反应。方法：我们收集了 129 名女性的数据，其中 44 名在苏黎世大学医院生殖内分泌科接受了体外受精 (IVF)。苏黎世大学医院 (n = 37) 和汉诺威医学院 (n = 48) 共招募了 85 名具有自然周期的女性。我们的观察性研究在整个自然周期中使用了 4 个不同的测量时间点，并在生育治疗期间对雌二醇水平超生理的女性使用了 2 个测量时间点。然后，我们在第二个周期测试了结果的重复性。在这些预先定义的时间点，向女性展示了 11 类食物的图片，每类 4 种，并采集了血样以测量激素水平。调查时记录的食物偏好以视觉模拟量表（0 – 100）表示。结果：在控制多重检验后，我们没有发现女性血清激素水平与视觉呈现的食物评分之间存在任何统计学上的显著关联（所有 p > 0.005）。水果、蔬菜和碳水化合物的评分在第一个月经周期中呈显著的线性下降（p < 0.01），而在第二个周期中并没有出现这种下降（p > 0.05）。相比之下，甜食的评分在两个周期中均呈显著的线性下降趋势（p 值均 < 0.01），第一和第二周期月经期的平均评分分别为 54.2 和 48.8，而第一和第二周期经前期的平均评分分别为 47.7 和 43.4。在生育治疗期间，没有食物评分出现显著变化（p 值均 > 0.05）。无论是在整个月经周期还是在生育治疗期间，情绪（例如消极和积极情绪）都不会影响视觉食物线索的评分。结论：血清雌二醇和孕酮水平与女性的食物评分无关，即使雌二醇水平高于自然月经周期的生理水平。由于除甜食外，第一个周期的食物评分的显著变化不会在第二个月经周期中重现，基于单周期动物或人体研究的文献中的重要发现必须谨慎解读。
对消费者偏好和障碍的系统评价...
印度卡纳塔克邦贝拉加维Visvesvaraya Technological University的研究学者管理研究系。印度卡纳塔克邦贝拉加维Visvesvaraya Technological University的研究学者管理研究系。
偏好，金融素养和经济发展
本文中表达的任何观点都是作者的意见，而不是Iza的意见。本系列发表的研究可能包括对政策的看法，但IZA没有任何机构政策立场。IZA研究网络致力于研究完整性的IZA指导原则。IZA劳动经济学研究所是一家独立的经济研究所，在劳动经济学领域进行研究，并就劳动力市场问题提供基于证据的政策建议。在德意志邮政基金会的支持下，伊扎（Iza）拥有世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究，决策者和社会之间建造桥梁。IZA讨论论文通常代表初步工作，并被散发以鼓励讨论。引用这种论文应解释其临时特征。可以直接从作者那里获得修订版。
动态经济中的位置偏好和效率
摘要。本文基于内生增长模型，描述了位置偏好不会引起跨期扭曲的条件，并推导出在这些条件不满足的情况下的最佳税收政策反应。在我们的模型中，个人在消费和财富方面都具有位置性，相对关注部分反映了与其他国家人民的比较，我们区分了（传统）福利主义政府和不尊重位置偏好的家长制政府。我们还将分析扩展到多国框架，并表明地方家长制政府之间的纳什竞争导致全球社会最优，而地方福利主义政府之间的纳什竞争则不会。
动态经济中的位置偏好和效率
∗ 我们感谢 Philippe Bontems、Daniel Buncic、Reto Foellmi、Gerhard Glomm、Michael Grei-necker、Olof Johansson-Stenman、Marko K¨othenb¨urger、Christoph Kuzmics、Marc Law、Nathalie Mathieu-Bolh、Xavier Raurich、Michael Scholz 和 Stephen Turnovsky 的有益讨论和建设性建议。本文的早期版本还受益于欧洲公共选择学会 (EPCS) 2018 年会议（意大利罗马）和公共经济理论 (PET) 2019 年年会（法国斯特拉斯堡）参与者的评论。Aronsson 和 Wendner 非常感谢玛丽安和马库斯·瓦伦堡基金会 (MMW 2015.0037) 的研究资助。我们对任何剩余错误负全部责任。
衡量AI系统中的政治偏好
i使用类似的方法来确定LLM产生的语言是否更类似于与美国国会在国会言论中通常与民主党或共和党成员相关的术语。为此，我得出了两组1,000个两个单词术语（即Bigrams），其党派对比度很高（由一个政党的代表高度使用，在美国国会言论中，另一方的代表使用了相对较少的代表使用）。（有关详细信息，请参见方法论附录。）图1通过显示各方与另一方相对于其同行的各方高度使用的术语来显示该分析的结果。该数字清楚地表明，民主党成员在讲话中不成比例地指的是负担得起的护理，枪支暴力，非洲裔美国人，家庭暴力，最低工资和投票权；共和党人不成比例地强调了平衡的预算，南部边境，非法移民，宗教自由，创造者，税收增加，政府支出和国防。
发现PF-072220060，有效而有选择的CDK4抑制剂
分享决策：“我总是与他们进行讨论，您的目标是什么，因为即使我们的一些年长患者也许他们有一个重要的周年纪念日，他们想在几年或一些具有里程碑意义的活动中见面，他们需要尝试做到。所以，有些老年患者甚至想要：“啊，医生，我真的希望将其制作四到五年。我想在我的力量中竭尽所能。”因此，您总是与患者进行讨论。” （PH055）
消费者对机器人服务的偏好的决定因素...
摘要：该研究打算确定越南年轻旅行者在健康大流行期间和之后预订机器人服务酒店的重要前提。这项研究旨在利用背景，以确定宾客对健康危机显着的安全选择的喜好。采用了一种定量研究方法来收集合格的数据。使用扩展的TAM理论用于发展研究假设。SPSS和AMOS 24版用于分析数据并确认研究假设。这项研究发现，在健康大流行期间，客人对机器人服务酒店的预订意图在将社会疏远的关注点，主观威胁规范，感知的信任和消费者自我世界主义对健康大流行后的意图的影响联系在一起方面发挥了调解作用。这项研究对越南年轻旅行者对机器人服务酒店的偏好的决定因素提供了宝贵的理解。此外，该研究强调了情况在决定客人意图方面的重要性，因此强烈建议从业者在提高策略时考虑背景。关键字：机器人服务酒店，预订意图，社会疏远问题，主观威胁规范，感知信任，消费者世界主义
格罗宁根大学患者对人工晶体的偏好......
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI