XiaoMi-AI文件搜索系统
World File Search SystemWilliamson
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
热辐射和生物对流对锥体旋转引起的威廉姆森纳米流体输送的重要性
本文介绍了威廉姆森纳米流体和普通纳米流体在旋转锥体延伸表面上流动时非稳态动力学热分布增强的数值研究。回旋微生物的生物对流和磁场热辐射通量是这项研究的重要物理方面。沿 x 和 y 方向考虑速度滑移条件。通过相似函数将主要公式转换为常微分形式。通过使用 Matlab 代码对 Runge-Kutta 程序进行数值求解，解决了五个具有非线性项的耦合方程。浮力比和生物对流瑞利数的参数降低了 x 方向的速度。与粘度成正比的滑移参数降低了流速，从而导致温度升高。此外，温度随着磁场强度、辐射热传输、布朗运动和热泳动值的升高而升高。
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。
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)。
一种用于在线脉冲分类的神经网络，可提高解码准确率 Deepa Issar 1,2、Ryan C. Williamson 2,3,5、Sanjeev B. Khanna 1、a
1 美国宾夕法尼亚州匹兹堡大学生物工程系 2 美国宾夕法尼亚州匹兹堡大学医学院 3 美国宾夕法尼亚州匹兹堡卡内基梅隆大学机器学习系 4 美国宾夕法尼亚州匹兹堡卡内基梅隆大学生物医学工程系 5 美国宾夕法尼亚州匹兹堡卡内基梅隆大学神经科学研究所 6 美国宾夕法尼亚州匹兹堡大学医学院眼科系 #: 通讯地址： Matthew A. Smith 卡内基梅隆大学生物医学工程系和神经科学研究所 电子邮件： matt@smithlab.net 运行头：用于在线尖峰分类的神经网络
引用：Griffiths J，Fox L，Williamson PR等。量化临床试验的碳足迹：指导开发和案例研究。 bmj o
抽象背景气候危机的紧迫性需要生物医学研究的关注，尤其是临床试验，这可能涉及大量的温室气体排放。低碳临床试验工作组制定了一种减少临床试验排放的策略，从开发一种测量其碳足迹的方法开始（CO 2 E）。方法作为第一步，我们开发了一个定义临床试验核心活动的过程图。采购相应的排放因子将活动数据转换为温室气体排放。随后的方法应用于英国两项癌症研究（CRUK）资助的试验（国际随机肉瘤试验CASPS（ISRCTN663733470）和基于英国的基于英国的乳腺癌试验（ISRCTN41579286））。编写了定义范围，方法和假设的指南文件，以允许向任何公共资助/调查员发起的临床试验申请。结果试验特定于常规护理的特定活动被分为10个模块，涵盖了设置，进行和关闭的试验。我们确定了两项试验中所有试验活动的排放因子，并用它们来估计其总碳足迹。CASP的碳足迹是一项具有47名参与者的研究性药物的国际2期试验，为72吨Co 2 E，这在很大程度上归因于临床试验单位排放和员工旅行。黄金时段，一项基于英国的3期非研究性药物产品试验，对1962年的患者产生了89吨CO 2 E，这在很大程度上归因于特定于特定于同名的参与者评估。结论我们已经开发了一种方法和指导，试验者可以用来确定临床试验的碳足迹。该指南可用于识别碳热点，在这些碳热点中，试验设计和行为的替代方法可以减少试验占地面积，并且需要方法研究来研究为减少碳排放所采取的干预措施的潜在影响。我们将继续完善指导，以增加潜在的应用并提高可用性。
出版版本 (APA) 引用：Fairley, I.、Williamson, B.、McIlvenny, J.、King, N.、Masters, I.、Lewis, M.
Dyfyniad o'r fersiwn a gyhoeddwyd / 已发布版本的引用 (APA)：Fairley, I., Williamson, B., McIlvenny, J., King, N., Masters, I., Lewis, M., Neill, S., Glasby, D., Coles, D., Powell, B., Naylor, K., Robinson, M., & Reeve, DE (2022)。基于无人机的大规模粒子图像测速技术应用于潮汐能资源评估。可再生能源，196，839-855。https://doi.org/10.1016/j.renene.2022.07.030
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。
更高的对称性、p 弦凝聚和分形
• 测量构造：从普通的测量理论或具有某些“不寻常”对称性的平凡间隙系统开始，对其进行测量以获得分形。Vijay、Haah、Fu；Williamson；Devakul、You、Burnell、Sondhi；Shirley、Slagle、Chen；Williamson、Bi、Cheng；……