XiaoMi-AI文件搜索系统
World File Search SystemRacial
大规模种族平等，多样性和包容策略
我们现在被要求采取行动！大流行在必须解决的工作，住房，健康和学校中裸露的种族不平等。因此，也对乔治·弗洛伊德（George Floyd），布兰娜·泰勒（Breanna Taylor）和无数其他有色人种的袭击也袭击。我们也面临着粗糙和不尊重的公共话语，对民主的深刻两极分化和攻击。作为教育工作者，我们通过学生和家庭的视角看到了这些挑战。我们知道我们必须受到自己的道德指南针的指导。我们知道没有简单的答案。我们知道，每个地区的工作都会不同，因为每个地区的背景都不同。我们也知道，每个地区的工作都是紧迫的。最后，我们知道我们需要受信任同事的支持和指导，以驾驶在我们地区争取种族平等，多样性和包容的斗争。
种族偏见如何融入临床模型
不仅包括隐性偏见或个人歧视，还包括鼓励和助长这种歧视的规则和实践结构。1 结构性种族主义的一个定义是“社会通过相互加强的住房、教育、就业、收入、福利、信贷、媒体、医疗保健和刑事司法系统助长种族歧视的全部方式”。3 衡量种族主义具有挑战性。它不仅可能是主观的，而且还可能带有政治色彩，并且基于难以收集的数据。尽管如此，为了监测变化和设定目标，有一个可衡量的结果至关重要。出于这个原因，出现了许多衡量种族主义的方法，包括感知歧视量表。3
通过直接支付建立公平，抓住时机实现种族正义、社区所有权和工人权力
凯蒂在能源和环境政策及立法方面拥有十年的工作经验，最近担任美国众议院环境监督小组委员会的办公室主任，任职于众议员罗·卡纳。在此之前，她曾担任参议员伯尼·桑德斯的能源和环境政策顾问五年多。在此期间，凯蒂在参议院办公室和两次总统竞选中就能源、环境、部落和领土问题为参议员提供建议。凯蒂曾担任 Duncan, Weinberg, Genzer & Pembroke, PC 的助理律师，为电力公司、各州和部落提供建议。凯蒂拥有法学博士学位，专注于能源法，以及佛蒙特法学院的环境法和政策硕士学位，并获准在科罗拉多州执业。
移民，种族化和民族文化多元化的社区和社区待遇令：范围审查
调查结果混合在一起；多项研究表明，移民和种族化群体的CTO可能性较高（8 - 11、13、17、24 - 24 - 27、36、30、30、46、47、51），而其他人则没有发现关联（19 - 21，23，26，34，34，34，35，37，37，39，39，39，39，45，45，45，45，48，49），甚至是CTOS中较高的ctos sys ctos in nonnosity nonsitions in 505，45）（45），18岁，18岁，18岁。
克服人造的民主危害种族危害...
摘要：尽管美国变得越来越多样化，但生成的人工智能和相关技术威胁到破坏真正的代表性民主。剩下的，AI将加剧现有的现有挑战，例如种族两极分化，文化焦虑，反民主态度，种族投票稀释和抑制选民。合成视频和音频（“ Deepfakes”）受到大多数流行的关注，但只是冰山一角。对种族量身定制的虚假信息，自动选举管理中的种族偏见，种族针对性的网络攻击以及AI驱动的监视的微靶向，这使种族正义声称只是AI如何威胁民主国家的一些例子。不幸的是，现有法律（包括《投票权法》）不太可能应对挑战。但是，如果政策制定者，激进主义者，
黑人退伍军人对军事行政分离中种族差异的见解
军队服役为退伍军人提供了一条通往中产阶级的道路，为退伍军人提供了福利，包括医疗保健和服役期间残疾的补偿。由国防部在退役时指定的军事服务定性，可以决定退伍军人是否有资格享受福利。黑人服役人员获得非光荣退役而不是光荣退役的可能性比白人服役人员高出 50%，导致他们无法享受旨在促进重返平民生活和防止贫困的福利。然而，国防部几乎没有为黑人退伍军人提供任何有意义的补救措施来纠正非光荣退役，而是在假定服役人员自己的不当行为导致这些退役的情况下行事。本研究分析了对黑人退伍军人的 26 次半结构化访谈，以深入了解他们的服役经历以及他们如何概念化军事解散中种族差异的原因。该研究揭示了军队中结构性种族主义的持续机制。参与者 (1) 认为军队反映了种族化的平民社会，而不是种族中立的精英统治，(2) 强调适应和遵守白人文化规范的能力是成功的关键，(3) 讲述了种族骚扰的明显事例，(4) 描述了缺乏有关行政分离过程的准确信息。参与者在军队中遭遇种族主义的经历表明，仅凭军人的行为并不能解释“不良文件”退伍的统计种族差异，并表明需要为黑人退伍军人提供更好的途径来纠正他们的退伍身份。
美国动脉粥样硬化性心血管疾病患者流感疫苗接种的种族和地理差异：在 COVID-19 环境下再次凸显其重要性
a 美国德克萨斯州休斯顿贝勒医学院医学系心脏病学科 b 美国德克萨斯州休斯顿迈克尔·E·德贝基退伍军人医疗中心心脏病学科 c 美国德克萨斯州休斯顿休斯顿卫理公会医院德贝基心血管中心心脏病学科心血管预防与健康分部 d 美国德克萨斯州休斯顿卫理公会研究所成果研究中心 e 美国德克萨斯州休斯顿迈克尔·E·德贝基 VA 医疗中心卫生服务研究与发展质量、有效性和安全创新中心卫生政策、质量与信息学计划 f 美国德克萨斯州休斯顿霍尔科姆大道 2002 号贝勒医学院医学系卫生服务研究科 g 美国德克萨斯州休斯顿贝勒医学院医学系心血管研究科
解剖种族差异对使用基于图像的深度学习模型对菲律宾视网膜眼底照片进行人工智能分析的影响，MD 1,2,3
人工智能 (AI) 是诊断和治疗视网膜疾病的一种可能改变范式的创新。深度学习 (DL) 是一种更新、更复杂的 AI 子类型，通常用于处理来自文本、音频和照片的信息。较旧的 AI 模型需要预先编程的指令来分析信息，而较新的 DL 算法可以基于之前输入的信息来“学习”新事物并得出结论。1 例如，DL 算法首先被教导什么是视网膜眼底照片。它学习如何识别正常标志。一旦它能够正确地做到这一点并遇到视网膜病变，它就会学会将其识别为异常发现。它可以学会这种病变是什么，然后 DL 算法识别特征并将其与之前训练的内容联系起来。当它在另一张图片中遇到它时，它应该能够识别它是什么，尽管它的外观有所不同。
人工智能中种族不平等的伦理矫正 - Scholar Commons
开放存取 本文采用知识共享署名 4.0 国际许可证，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可证的链接，并表明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可证中，除非在资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可证中，且您的预期用途不被法律规定允许或超出了允许的用途，您需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creat iveco mmons. org/licen ses/ by/4. 0/。