XiaoMi-AI文件搜索系统
World File Search SystemUseful
Irène Buvat、Fanny Orlhac。用于识别有影响力的人工智能的核医学发现的 T.R.U.E. 检查表：它是真的吗？它是可重复的吗？它是有用的吗？它是可以解释的吗？《核医学杂志》，2021 年，62 (6)，第 752-754 页。10.2967/jnumed.120.261586。hal-03441749
Irène Buvat、Fanny Orlhac。真正的。识别有影响力的人工智能核医学发现的清单：是真的吗？它可重复吗？它有用吗？它可解释吗？核医学杂志，2021 年，62 (6)，第 752-754 页。10.2967/jnumed.120.261586。hal-03441749
胰岛素 Efsitora 对 2 型糖尿病治疗有益...
美国加利福尼亚州。摘要 Efsitora 是一种每周使用一次的基础胰岛素，目前正在 QWINT 开发计划的 5 项 3 期临床试验系列中进行研究。QWINT-2 和 QWINT-5 试验分别包括未接受胰岛素治疗的 2 型糖尿病患者和 1 型糖尿病成人，将 efsitora 与每日使用一次的德谷胰岛素进行了比较。在这两项试验中，发现 efsitora 在降低糖化血红蛋白 (HbA1c) 水平方面不逊于德谷胰岛素，服药 52 周后效果亦是如此。在 2 型糖尿病患者中，使用德谷胰岛素时发生了 6 次 3 级低血糖（即与认知障碍相关的严重低血糖），而使用 efsitora 时没有发生过。然而，与德谷胰岛素相比，efsitora 组 1 级低血糖或低血糖警报 [血糖 (BG) 54-69 mg/dl] 的发生率在数值上更高，估计比率 (ERR) 为 1.24 (95% CI, 0.99-1.55)。此外，与德谷胰岛素相比，efsitora 组 2 级低血糖或临床显著低血糖 (BG <54 mg/dl) 的发生率也在数值上更高，ERR 为 1.34 (0.94-1.78)。在 1 型糖尿病中，QWINT-5 研究表明，与德谷胰岛素相比，efsitora 组各级低血糖发生率均显著升高，1 级和 3 级低血糖的相对发生率分别为 1.15（95% CI，1.03-1.29；P=0.016）和 3.44（95% CI，1.64-7.19；P=0.0011）。在 QWINT-2 和 QWINT-5 试验中，efsitora 组和德谷胰岛素组的夜间低血糖发生率相似。在 1 型和 2 型糖尿病患者中，efsitora 组的满意度显著高于德谷胰岛素。总之，efsitora 可能是 2 型糖尿病患者方便的基础胰岛素，可减少胰岛素注射次数。但是，由于低血糖风险增加，efsitora 对 1 型糖尿病患者可能不安全。需要进一步研究以确定安全的剂量滴定策略，以降低 efsitora 引起的低血糖发生率。关键词：efsitora；icodec；每周一次胰岛素；糖化血红蛋白；低血糖简介
eVTOL 的剩余使用寿命数字阴影......
数字阴影能够成功模拟电机的速度和 q 轴电流调节。这种精确的响应确保了数字阴影为 RUL 模型提供的输入与真实组件所经历的输入相当。瞬态模型和硬件响应之间的一致性如图 2 所示。仅从负载和速度设定点，瞬态模型就能够准确预测电机的速度、扭矩和功率响应。然后使用这些计算出的量作为输入来确定关键系统组件的 RUL。数字阴影能够根据操作条件动态更新 RUL 估计，如图 3 所示。这种一致性凸显了数字阴影在镜像实时操作和估计不同操作条件下的组件寿命方面的有效性。这种数字阴影的一个重要方面是它对电机的 RUL 估计的动态适应，这显示出对操作变化的高度响应。当电机在 100 秒内改变速度时，这种反馈尤为明显。图 3 中 RUL 图的斜率降低捕捉到了这一事件，速度降低后，图的后半部分电机扭矩也相应下降。这种响应能力对于维护和运营策略的实时监控和决策至关重要，将数字阴影定位为 eVTOL 动力系统管理的宝贵预测工具
可用性，可用性和报告聊天机器人的有用性 -
背景：家庭健康史（FHX）是对一个人遗传风险的重要预测指标，但在美国许多成年人并未收集。目的：本研究旨在测试和比较2种基于Web的方法的可用性，参与度和报告收集FHX的有用性。方法：此混合方法研究使用基于流的聊天机器人（套件；好奇的交互式测试）和基于表单的方法比较了FHX数据收集。套件的设计经过优化，以减轻用户负担。我们从2个众包平台招募和随机个人到2种FHX方法中的1种。所有参与者都被要求填写问卷，以评估该方法的可用性，报告的有用性，总结了他们的经验，用户呈现的聊天机器人增强功能以及一般用户体验。参与度。我们使用定性发现分析自由文本评论来补充主要定量结果。结果：随机分配到套件的参与者比随机分配到形式的参与者高，平均系统可用性量表得分分别为80.2对61.9（p <.001）。参与分析反映了入职过程中的设计差异。套件用户花费的时间少于输入FHX信息并报告的条件比表单用户多（平均5.90 vs 7.97 min; p = .04;和平均7.8 vs 10.1条件； p = .04）。套件和形式用户在某种程度上同意该报告很有用（李克特量表评级分别为4.08和4.29）。定性分析显示套件和基于表格的方法的正和负特征。在所需的增强功能中，个性化是最高的功能（188/205，91.7％的中等优先级至高优先级）。在随机分配给套件的受访者中，大多数表明它易于使用和导航，并且他们可以响应并了解用户提示。负面评论涉及套件的个性，对话节奏和管理错误的能力。对于套件和形式的受访者，定性结果揭示了共同的主题，包括希望更多有关条件的信息以及对多项选择按钮响应格式的相互欣赏。受访者还表示，他们想报告超出Kit提示（例如个人健康历史）的健康信息，并要求Kit提供更多个性化的答复。结论：我们表明套件提供了一种可用的收集FHX的方法。我们还确定了设计注意事项，以改善基于聊天机器人的FHX数据收集：首先，应增强FHX收集经验的最终报告，以为患者提供更多价值。第二，入职聊天机器人提示可能会影响数据质量，应仔细考虑。最后，我们强调了几个领域，可以通过从基于流的聊天机器人转变为大型语言模型实施策略来改善这些领域。
在生成无监督的域适应中，持续预训练的有用是如何有用的？
最新的规模突破使强大的生成语言模型的出现以及通过将这些模型调整为各种任务的能力，可以通过将它们投入到提示或指令中。在这种景观中，无监督的域适应性（UDA）或利用从标记的源域到未标记的目标域的知识的问题已被遗留下来，最近仍在解决犯罪性犯罪分类的最新UDA方法。特别是，在生成环境中探索了两种流行的UDA方法，涉及持续的预训练（CPT）和学习域的不变表示形式。在这项工作中，我们评估了CPT对生成UDA的实用性。我们首先进行经验评估，以衡量CPT和强大方法之间促进域的权衡。我们进一步评估了CPT的质量扩展到不同体系结构，调整方法和数据制度的程度。然后，我们通过研究其在目标域上的分类性能在多大程度上使CPT的使用。最后，我们试图了解CPT改善未标记目标域上的分类性能的机制。我们的发现表明，该模型暗中学习了下游任务，同时预测掩盖的单词可以为该任务提供信息。我们的工作将UDA研究的主体与教学调整联系起来，从而朝着更广泛的现代语言模型迈出了第一步。我们的代码可在https://github.com/uppaal/ cpt-generative-uda上找到。
有用的提示 - 您的网络声明表格 - ICARE
◦然后，该机构必须对支持网络安全控制或风险管理实践的实施的政策和流程的成熟度进行评估。◦代理商可以从“部分对齐”，“主要对齐”或“完全对齐”中选择。•每个机构都应审查“成熟度级别的定义”（附录1），以了解如何评估每个问题中所述的每种缓解策略的成熟度。每个成熟度都有不同的含义。•到期描述符是对网络安全控制或风险管理实践与网络安全标准一致的确认。•对于“不”响应，成熟描述符会自动默认为“不对齐”并跳到下一个问题。•本帮助指南的末尾有一个词汇表（附录2），其中包括网络声明中使用的一些单词和解释。
韩国政府公务员感知易用性和感知有用性与智能家居技术采用意向的关系
科技的飞速发展给我们日常生活的各个方面带来了重大变化，包括我们的家庭。物联网 (IoT) 的发展仍处于早期阶段。然而，以前的研究往往缺乏从特定客户的角度理解问题的重点。公务员在智慧城市计划的实施和采用意向中发挥着至关重要的作用，因为他们是国家的骨干。感知易用性和感知有用性是影响一个人对采用意向技术的看法和态度的两个关键因素。探索公务员采用智能家居技术的意愿至关重要。这项研究旨在调查感知易用性和感知有用性与霹雳州金打市公务员采用智能家居技术的意愿之间的关系。调查通过 WhatsApp 和实体分发进行，回复率为 80%（226 名受访者中有 182 名）。根据描述性分析，采用智能家居技术的意向、感知易用性和感知有用性的平均得分较高。至于 Spearman 相关系数分析，显示感知易用性和感知有用性两个独立变量与智能家居技术采用意愿之间的关系最为密切。所发现的见解可以为智能家居开发人员提供宝贵的指导，帮助他们了解公务员对采用智能家居技术的倾向。
通过沉浸式虚拟现实（Virtual-HF）提高对心力衰竭患者康复的依从性：一种随机对照试验的方案
由于锂离子电池已经变得越来越普遍，因此由于其对系统的可用性和安全性的影响，估计其剩余使用寿命（RUL）已成为必要。rul对于建立预后价值而建立预测维护策略特别有用。电池降解模型还应结合不同用法和环境条件对电池性能的影响，以对RUL进行可靠的预测。电池降解行为必须通过加速降解测试来表征，该测试是根据最佳设计理论计划的，以预测统治并区分竞争模型。可以通过使用基于良好降解模型的增强学习方法来选择最佳的维护策略。本文介绍了所有这些方法的简要概述。单独地，它们在文献中得到了很好的代表，但是考虑它们是一种新颖的维护方法。由于电池经常在不受控制的环境中使用，因此这种方法的综合政策和模型学习方面似乎尤其有希望。锂离子电池的健康状况（SOH）在降低过程中呈指数衰减。可以使用各种方法来估计SOH参数，包括从放电能力或开路电压（OCV），传感器融合算法或间接处理等效串联电阻（ESR）的直接估计。几个因素导致电池降解，包括电池化学，尺寸和操作条件。重要的是要注意，总体趋势始终是特征的