XiaoMi-AI文件搜索系统
World File Search SystemWilliams
威廉姆斯·沙普斯：委员会对铁路规划的回应
卡罗琳·皮金 MBE AM 交通委员会主席 英国铁路长期以来一直需要进行重大改革。目前的系统服务差、沟通不畅、网络缺乏一致性，一次又一次让乘客失望。经过数年的研究和审查，政府现在提出了铁路未来的蓝图。交通委员会的任何人都不会对伦敦地上铁及其提供优质服务的模式在未来铁路规划中占据突出地位感到惊讶。威廉姆斯-沙普斯铁路计划是英国铁路未来的重要起点。该行业有很大机会提高服务的可靠性、简化售票和提高可达性，以便比以往任何时候都有更多的人使用铁路。但这些机会必须实现。英国铁路过去和现在都有可能进行巨大的变革。COVID-19 疫情对包括铁路在内的公共交通客流量产生了灾难性的影响，而对乘客行为的长期影响仍是一个大问号。 《铁路规划》的发布本身也因疫情而被推迟，因为该团队试图考虑在全国陷入一次又一次的封锁时铁路上发生了什么。要完全了解长期会发生什么，还有大量工作要做，远程和混合工作可能会成为常态。这对铁路意味着什么是任何新系统成功的关键点。《铁路规划》提出了一些合理的建议；交通委员会感到鼓舞的是，伦敦交通局 (TfL) 为伦敦地上铁使用的模型已被考虑，并被用作英国大铁路模型的基础。伦敦地上铁在提供更好的伦敦连接和增加乘客人数方面非常成功。交通委员会长期以来一直致力于
Ng, A., Medeiros, D. , McGill, M., Williamson, J. 和 Brewster ...
研究已经研究了坐式办公室和房间环境中的虚拟显示器和桌面 [35,38]，但即使是基本配置的多显示器虚拟桌面在交通环境中的可用性也尚未得到检验。除了狭窄的空间外，交通环境还带来了额外的可供性——它们通常是共享的社交空间，其他人就在乘客附近。虽然先前的研究已经研究了 MR 耳机在这些环境中使用的社会可接受性 [46]，但这种社交存在对我们在用户周围定位和放置虚拟内容的方式可能产生的影响仍未得到探索。例如，用户可能希望避免查看放置在其他乘客个人空间内的虚拟内容，这反过来可能表明，基于常见物理显示器配置的标准宽多显示器配置（如 Oculus Home 或研究 [35] 中所见）不太适合共享环境中的乘客。此外，对于飞机上的乘客，虚拟和增强显示器的定位研究较少。我们的研究结果还可以为设计师和研究人员提供潜在有效的
![arxiv：2103.05075v1 [q -bio.nc] 2021年3月8日-Alex Williams](/simg/2/2d9035006021964743235294d02fbbbf4af19418.webp)
arxiv：2103.05075v1 [q -bio.nc] 2021年3月8日-Alex Williams
图1：（a）神经数据集中的试验数量的增长速度较慢，同时记录的神经元和采样行为条件的数量。散点图颜色对应于序数的年度出版年度（请参阅传奇）。灰度热图显示了协方差估计的最坏情况误差缩放[92•] - 具有N神经元和C条件的数据集的轮廓为O（NC Log NC）。深色阴影对应于较大的错误。（b）静态（顶行）和动态（底行）神经反应中试验变异性的低维可视化。左，在两个条件下的平均试验（蓝色和红色）。在动态设置中，神经频率沿着一维曲线进化，按时间参数。在静态设置中，响应是隔离点的频率空间。中间，相同的响应，但在每个维度中示出了独立的单试变量。对，相同的响应具有相关变异性。顶部面板中的正相关是“信息限制”，因为它们增加了两个响应分布之间的重叠，从而降低了这两种条件的可区分性（例如，参见，例如[2]）。在底部面板中，神经反应幅度的相关性幅度相关性导致轨迹优先沿特定维度拉伸或压缩，从试验到试验（请参阅[102•]有关适合这种简化结构的模型）。
威廉姆斯综合症，音乐疗法和大脑
我创建了一项调查，以更多地了解威廉姆斯综合症对音乐情感反应的人。我要求威廉姆斯综合症协会将我的调查放在他们所有私人会员Facebook页面上。我将人们的回应限制在那些特别说自己接受音乐疗法的人身上。由于威廉姆斯综合症是如此罕见，而且我限制了可以对调查做出回应的人数，所以我很高兴能对我的调查获得50次回应，而且我相信这是一个很好的人。我问的一个问题之一是“您的孩子对音乐有不寻常的反应吗？如果是，他们描绘了什么情感？“右图的图表显示了我幸福收到的所有回答，兴奋和悲伤的最大65％，略高于50％。这也表明，威廉姆斯综合症的92％以上与音乐有情感联系。
威廉姆斯 - UCL 探索 - 伦敦大学学院
流行病学研究发现他汀类药物的使用与帕金森病 (PD) 风险之间存在不一致的关联，这表明接触他汀类药物可能会提供神经保护 1 - 3 或增加 PD 风险。4,5 然而，这种观察性研究受到限制因果推断的偏差的影响，例如混杂和反向因果关系。在长期随机对照试验中稳健地评估他汀类药物或其他降脂药物对 PD 预防的潜力将具有挑战性，因此，有必要使用其他研究设计来检查接触降脂药物是否会减轻或增加 PD 风险。遗传变异可用于预测长期药物暴露对疾病风险的影响。蛋白质编码基因附近的变异可以影响蛋白质的产生或功能，其方式类似于药物对相同蛋白质的治疗调节。因此，这些基因的关联可能是可靠的。
Ben Williamson & Rebecca Eynon (2020) 教育、学习、媒体和技术中人工智能的历史线索、缺失环节和未来方向，45：
人工智能已成为日常生活中司空见惯的存在。通过网络获取信息、消费新闻和娱乐、金融市场的表现、监控系统识别个人的方式、司机和行人如何驾驶以及公民如何领取福利金，这些都是人工智能渗透到人类生活、社会机构、文化实践以及政治和经济进程中的无数例子。用于实现人工智能的算法技术的影响是深远的，激发了相当多的时代炒作和希望，以及反乌托邦的恐惧，尽管它们在技术专家的社交网络之外仍然在很大程度上不透明且理解甚少（Rieder 2020）。然而，人工智能的深远社会和伦理影响正变得越来越明显，并成为人们关注的重要对象。人工智能是争议的焦点，例如，工作场所和公共服务的自动化；算法形式的偏见和歧视；不平等和劣势的自动再现；以数据为中心的监控和算法分析制度；无视数据保护和隐私；政治和商业微目标；以及科技公司控制和塑造其所涉足的所有领域和空间的能力，从整个城市和公民群体到特定的集体、个人甚至人体 (Whittaker et al 2018)。人们已经制定了许多道德框架和专业行为准则，试图减轻人工智能在社会中的潜在危险和风险，尽管关于它们对公司的具体影响或这些框架和准则如何保护商业利益的重要争论仍然存在 (Greene, Hoffman & Stark 2019)。
文章：Williams, CC orcid.org/0000-0002-3610-1933 和 Kayaoglu, A. (2020) 冠状病毒大流行和欧洲未申报经济：影响和
由于工作场所关闭和为“拉平曲线”而限制人员流动，冠状病毒大流行导致企业和工人收入损失。作为应对，政府向受影响的企业和工人提供了临时财政支持。本文评估了目前被排除在这种支持之外的群体，即未申报经济体中的企业和工人，以及政府可能采取的政策应对措施。为了确定涉案人员，报告了 2019 年欧洲晴雨表对欧洲未申报工作的调查。结果显示，每 132 名欧洲公民中就有 1 人完全依赖未申报的收入以及所涉及的行业和人口群体。鉴于他们的收入减少和无法获得临时财政支持，建议采取自愿披露举措，将未申报的企业和工人纳入申报经济体并纳入国家当局的监测范围，如果他们披露之前未申报的工作，即可获得这种临时财政支持。
引用本文：Ben Williamson & Rebecca Eynon (2020)：教育、学习、媒体和技术领域人工智能的历史线索、缺失环节和未来方向，DOI：10.1080/17439884.2020.1798995
人工智能已成为日常生活中司空见惯的事情。通过网络获取信息、消费新闻和娱乐、金融市场的表现、监控系统识别个人的方式、驾驶员和行人如何导航以及公民如何领取福利金，这些只是人工智能渗透到人类生活、社会机构、文化实践以及政治和经济进程中的无数例子。用于实现人工智能的算法技术的影响是深远的，激发了相当多的时代炒作和希望，以及反乌托邦的恐惧，尽管它们在技术专家的社交网络之外仍然很大程度上不透明且理解甚少（Rieder 2020）。然而，人工智能的深刻社会和伦理影响正变得越来越明显，并成为人们关注的重要对象。人工智能是争议的焦点，例如，工作场所和公共服务的自动化；算法形式的偏见和歧视；不平等和劣势的自动再现；以数据为中心的监视和算法分析制度；无视数据保护和隐私；政治和商业微目标定位；以及科技公司控制和塑造其渗透的所有部门和空间的权力，从整个城市和公民群体到特定的集体、个人甚至人体（Whittaker 等人，2018 年）。已经制定了许多道德框架和专业行为准则，试图减轻人工智能在社会中的潜在危险和风险，尽管关于它们对公司的具体影响或这些框架和准则如何保护商业利益的重要争论仍然存在（Greene、Hofferman 和 Stark，2019 年）。目前，人工智能在网络、智能手机、社交媒体和通过互联物体和传感器网络在空间中的实例化的历史比最近一些划时代的说法所暗示的要长得多。人工智能的历史至少可以追溯到 20 世纪 40 年代计算机科学和控制论的诞生。 “人工智能”这一术语本身是在 20 世纪 50 年代中期达特茅斯学院的一个项目和研讨会中提出的。从 20 世纪 60 年代到 90 年代，人工智能经历了一段“寒冬”，其研究和开发首先侧重于对人类推理的编码原理进行模拟，然后侧重于“专家系统”，即基于定义的知识库模拟专家的程序性决策过程。2010 年之后，人工智能逐渐以一种新范式回归，不再是模拟人类智能或可编程专家系统，而是能够通过对大量“大数据”进行分类和关联来学习和做出预测的数据处理系统。计算过程包括数据分析、机器学习、神经网络、深度学习和强化学习是大多数当代人工智能的基础。人工智能可能只是一系列统计、数学、计算和数据科学实践和发展的新的总称，它们各自都有复杂且相互交织的谱系，但它也标志着这些历史脉络的独特联系（Schmidhuber 2019 , 2020 ）。现代人工智能的重点不是创造计算“超级智能”（“强人工智能”），而是理想情况下致力于开发能够从自身经验中学习、适应变化的机器。
如何引用本文 Williamson, B. (2020) ‘实验知识生产的新数字实验室：人工智能和教育
自 2010 年代以来，数据科学的扩展伴随着关于知识和专业知识地位变化的重要主张。计算统计、数据分析和机器学习算法（即所谓的人工智能 (AI)）的技术进步，以及计算机科学、信息学、数据科学和软件工程领域中新型专家数据实践的出现，使得数据化知识生产（Bonde Thylstrup 等人，2019 年）成为可能（Mackenzie，2017 年）。随着数据科学从技术开发扩展到媒体、商业、金融、娱乐、政府、公共部门和学术界（Beer，2019 年），这些技术和实践在广泛的知识生产领域变得极其有价值。在教育研究中，学习分析、教育数据挖掘、教育人工智能 (AIED) 和教育数据科学的兴起，以及蓬勃发展的“教育科技”行业，将先进的计算技术引入了分析和知识生产的形式，使新参与者能够利用专业知识通过大量复杂的数字数据对教育过程产生新的理解 (Perrotta and Selwyn, 2019)。与更广泛的数据科学学科和数据分析行业一样，“定义新的知识对象与职业形成密切相关”(Ruppert, 2018: 17)。教育数据科学作为一门学科的专业化正在通过研究会议、期刊出版物、特刊、机构建设和增加证据的公开曝光来建立。