XiaoMi-AI文件搜索系统
World File Search SystemVignette
我们如何评估人类驾驶员与自动驾驶汽车
本研究测试了个人如何根据自己参与的负面或正面事件将责任归咎于人工智能 (AI) 代理或人类代理。在一个在线的、小插图的受试者间实验设计中，参与者 (n = 230) 回答了一份问卷，该问卷测量了他们对救援（即正面）或事故（即负面）驾驶场景中归咎于人工智能代理或人类代理的责任和参与程度的看法。结果表明，个人更有可能在救援或积极事件期间将责任归咎于人工智能代理。此外，我们发现个人对人工智能代理的行为的看法与人类代理相似，这支持了 CASA 框架关于技术可以具有代理性质的说法。为了解释为什么个人并不总是将结果的全部责任归咎于人工智能代理，我们使用期望违背理论来理解为什么人们在意外事件中将功劳归功于或归咎于人工智能。讨论了研究结果对实际应用和理论的意义。
创伤性脑损伤和物质使用障碍：
工具包包含的四个部分为提高行为健康服务提供者为脑损伤患者提供服务的能力提供了宝贵的信息。它还描述了物质使用对被诊断为脑损伤的人的毒性作用。第 1 部分中的科学内容旨在增强读者对脑损伤行为影响的理解，并附有大脑的视觉图像。第 2 部分介绍了用于筛查脑损伤的循证工具，强烈鼓励推进脑损伤筛查。本节还提供了使用筛查工具的实践指导。第 3 部分讨论了神经认知问题，并提出了支持脑损伤患者的技术的具体建议。这些技术通过应用案例小插图来描述，这些小插图指导读者发展技能。第 4 部分以 Gerry 的案例为例，说明了从业者使用循证实践的重要性，该实践基于提供者的干预指南，包括如何使用环境支持来解决认知困难的指导。
不确定性的科学指导胎儿神经病学原理和实践：诊断性基准机会和挑战
胎儿神经病学家（FNNS）考虑通过跨学科合作加强诊断，治疗和预后决定。生物学观点对妇女健康影响产妇 - 胎盘 - 遗传（MPF）三合会，新生儿和儿童的评估。双重认知过程集成了“快速思维思维”，以达成共享的决定，以最大程度地减少偏见和维持信任。评估科学不确定性的不确定性科学可改善整个发育范围连续性的诊断选择。三个案例小插图强调了说明这种方法的挑战。第一个母亲养育二元组涉及一名妇女，该女性被建议根据脑钙化的错误诊断来终止怀孕。随后在她寻求第二种意见的情况下对孩子的正常结果时，就会确定脑膜酸盐。第二个小插图涉及两次妊娠，在此期间鉴定出胎儿心脏纹状瘤，表明结节性硬化症复合物（TSC）。一名妇女在未经胎儿脑MRI或验尸检查的情况下寻求州外终止。第二名妇女要求怀孕，并进行产后评估。她的成年子女经历与TSC后遗症有关的挑战。第三个小插图涉及与关节炎多重兴尼提塔的开放神经管缺陷的产前诊断。一家人要求在另一个机构以个人费用进行严重预后，要求在另一家机构对缺陷进行外科手术封闭。功能改善或永久后遗症可以在整个寿命中表达。随后对脊髓脑元素研究（MOMS）的管理不建议此程序。他们的成年子女需要医疗护理，以解决全球发育延迟，顽固性癫痫和自闭症。这三项评估涉及不确定性，要求所有利益相关者之间共同的临床决策。虚假的负面或误导性的结果解释减少了最佳结果的机会。fnn诊断技能需要了解影响生殖的动态基因环境相互作用，其次是妊娠杂体，影响MPF三合会健康以及胎儿神经可塑性后果。有毒应激源相互作用会损害以异常和/或破坏性胎儿脑损伤表示的神经外博。对妇女和家庭的公平和富有同情心的医疗保健需要共同的决定，以保留怀孕健康，在特定于人的种族族裔，宗教和生物社会观点的指导下。将发展起源理论应用于神经系统原理和实践为每一代人的所有人提供了大脑健康资本策略。
R 中的多序列比对艺术
本文档旨在说明使用 DECIPHER 在 R 中进行多序列比对的艺术。尽管多序列比对的美常常被人忽视，但它在很多方面都是一种艺术。请看图 1，它说明了多序列比对的幕后情况。序列比对需要一定的技巧，而本文想要传达的正是这种技巧。仅仅将序列“插入”多序列比对器并盲目地相信结果是不够的。我们需要欣赏这种技巧，并仔细考虑结果。多序列比对到底是什么？是否存在单一正确的比对？一般来说，比对旨在执行将多个相同“类型”的不同生物序列拟合成反映某些共同特性的形式的操作。这种特性可能是它们的结构外观、它们如何从共同祖先进化而来，或者数学构造的优化。与大多数多序列比对器一样，DECIPHER 经过“训练”以最大限度地提高得分
LMRnews - navfac exwc - Navy.mil
这项工作的两个主要成果包括 R 软件包“espresso”和一个模拟工具。R 软件包 (https://pjbouchet.github.io/espresso) 允许跨功能形式、物种和协变量进行剂量反应建模，以及跨物种和协变量进行模型选择。这是以前的方法无法实现的新功能。该软件包旨在灵活供研究界和海军环境合规团队使用。它包括使用 RJMCMC 进行多物种贝叶斯剂量反应模型选择的分步示例，以及根据需要和问题打开和关闭模型选择的不同元素的选项。一些软件包功能专门满足海军的需求，包括对来自俘虏研究的 CEE 数据所需的左删失，以及纳入风险函数数据。模拟工具探索了卫星标签数据在未来剂量反应函数中的作用。该工具和出版物扩大了在数据可用时将卫星标签数据纳入海军模型的讨论。
指责在19号大流行期间未接种疫苗的
抽象的人未接种covid-19（C19）对大流行造成了偏见和责任。由于人们高估了C19的风险，我们检查了这些负面判断是否可以被部分理解为替罪羊的一种形式（即，不公平地指责一个不公平的群体），以及政治意识形态（以前证明是在美国塑造风险感知）是否会调节未诉讼的替代性。我们在C19期间对替罪羊文献和风险感知进行了基础。我们通过2022年初在美国进行的两项基于小插图的研究获得了对我们的猜测的支持。我们改变了Vignette字符的风险概况（年龄，先前感染，合并症）和疫苗接种状态（例如，未接种疫苗，未经近期助推器，未接种，未接种，未接种疫苗接种的疫苗），同时使所有其他信息保持恒定。We observed that people hold the unvaccinated (vs vaccinated) more responsible for negative pandemic outcomes and that political ideology moderated these effects: liberals (vs conservatives) were more likely to scapegoat the unvaccinated (vs vaccinated), even when presented with information challenging the culpability of the unvaccinated known at the time of data collection (eg, natural immunity, availability of vaccines, time自上次疫苗接种以来）。这些发现支持了C19大流行期间出现的特定基于群体的偏见的替罪羊解释。我们鼓励医学伦理学家检查C19大量高估公众的负面后果。公众需要有关健康问题的准确信息。可能涉及打击错误信息，以高估并低估了疾病的风险，以与错误相似的警惕。
附录 国际部队
本节向你介绍根据经修订的 1971 年移民法 (1971 年法案) 第 8(4)(a)、(c) 和 (c) 条免于移民管制的国际武装部队成员。任何免于移民管制的人员无需事先办理入境许可。但强烈建议在前往英国前获取豁免签证，以避免抵达时不必要的延误。国际武装部队成员是指英联邦部队或根据殖民地、保护国或受保护国法律组建的部队的成员，正在或即将在英国接受本土部队任何机构、特遣队或支队（包括相关北约部队）的训练；作为 1952 年访问部队法案 (VFA) 所列的或通过枢密院法定文书加入 VFA 的访问部队成员在英国服役或被派往英国服役的人员；或经枢密院令指定的国际总部或防务组织成员，包括相关北约部队，或经枢密院令指定的国际总部或防务组织成员。《访问部队法》（VFA）
附录 国际部队
本节向你介绍根据经修订的 1971 年移民法 (1971 年法案) 第 8(4)(a)、(c) 和 (c) 条免于移民管制的国际武装部队成员。任何免于移民管制的人员无需事先办理入境许可。但强烈建议在前往英国前获取豁免签证，以避免抵达时不必要的延误。国际武装部队成员是指英联邦部队或根据殖民地、保护国或受保护国法律组建的部队的成员，正在或即将在英国接受本土部队任何机构、特遣队或支队（包括相关北约部队）的训练；作为 1952 年访问部队法案 (VFA) 所列的或通过枢密院法定文书加入 VFA 的访问部队成员在英国服役或被派往英国服役的人员；或经枢密院令指定的国际总部或防务组织成员，包括相关北约部队，或经枢密院令指定的国际总部或防务组织成员。《访问部队法》（VFA）
人机协作中的社交感知
人工智能 (AI) 的进步预示着未来的团队将由人类和智能机器（如机器人或虚拟代理）组成。为了使人机协作团队 (HAT) 取得成功，人类团队成员需要接受他们的新 AI 同伴。在本研究中，我们借鉴了人类新人接受度的三部分模型，该模型包括三个部分：反思、知识利用和心理接受。我们假设社会感知的两个方面——热情和能力——是人类接受新 AI 队友的关键预测因素。研究 1 使用视频短片设计，参与者想象将八个 AI 队友中的一位添加到参考团队中。研究 2 在实验室团队中利用了绿野仙踪方法。除了测试感知温暖和能力对接受性成分的影响外，研究 2 还探讨了接受性成分对感知 HAT 可行性的影响。虽然两项研究都发现感知温暖和能力会影响接受性，但我们发现能力对于知识利用和心理接受尤为重要。此外，研究 2 的结果表明，心理接受与感知 HAT 可行性呈正相关。讨论了对未来 AI 队友社会认知研究的启示。
Avey：一种用于自我诊断的精确人工智能算法
目标 介绍我们基于人工智能的症状检查器，严格测量其准确性，并将其与现有的流行症状检查器和经验丰富的初级保健医生进行比较。 设计案例研究。 设置 400 个黄金标准初级保健案例。 干预/比较器我们使用了 7 个标准准确性指标来评估 6 个症状检查器的性能。为此，我们开发并同行评审了 400 个案例，每个案例都得到了 7 名独立且经验丰富的全科医生中至少 5 名的认可。据我们所知，这产生了迄今为止该领域最大的基准案例套件。 为了建立参考框架并相应地解释症状检查器的结果，我们进一步将表现最佳的症状检查器与 3 名平均经验为 16.6 年的初级保健医生直接进行比较。主要结果测量我们从 7 个标准角度彻底研究了症状检查者和医生的诊断准确率，包括：(a) 𝑀 1、𝑀 3 和 𝑀 5 分别作为症状检查者或医生在前 3 种疾病中或前 5 种鉴别诊断疾病中返回小插图主要诊断的能力的测量指标；(b) 召回率作为症状检查者或医生鉴别诊断中返回的相关疾病百分比的测量指标；(c) 精确度作为症状检查者或医生鉴别诊断中相关疾病百分比的测量指标；(d) F1 测量作为召回率和精确度之间的权衡测量指标；(e) 归一化折现累积增益或 NDCG 作为症状检查者或医生鉴别诊断排名质量的测量指标诊断。结果 我们的基于 AI 的症状检查器 Avey 的表现明显优于 5 种流行的症状检查器，即 Ada、WebMD、K Health、Buoy 和 Babylon，使用 𝑀 1 时平均高出 24.5%、175.5%、142.8%、159.6%、2968.1%；使用 𝑀 3 时平均高出 22.4%、114.5%、123.8%、118.2%、3392%；使用 𝑀 5 时平均高出 18.1%、79.2%、116.8%、125%、3114.2%；使用召回率时平均高出 25.2%、65.6%、109.4%、154%、3545%；使用 F1 测量时分别为 8.7%、88.9%、66.4%、88.9%、2084%；使用 NDCG 时分别为 21.2%、93.4%、113.3%、136.4%、3091.6%。在精度方面，Ada 平均比 Avey 高出 0.9%，而 Avey 分别比 WebMD、K Health、Buoy 和 Babylon 高出 103.2%、40.9%、49.6% 和 1148.5%。与症状检查员相反，医生在使用精确度和 F1 测量时比 Avey 平均高出 37.1% 和 1.2%，而 Avey 在使用 𝑀 1、𝑀 3、𝑀 5、召回率和 NDCG 时分别比他们平均高出 10.2%、20.4%、23.4%、56.4% 和 25.1%。为了提高我们研究的可重复性并支持未来的相关研究，我们公开并免费提供了所有黄金标准小插图。此外，我们在网上发布了症状检查员和医生的所有结果（即 45 组