XiaoMi-AI文件搜索系统
World File Search Systemaugmented
建议的引用：E.Düzyol，E。，Yıldırım，G。＆Özyılmaz，G。（2022）。调查增强现实申请对学龄前儿童的影响
在这项研究中，它的目的是研究增强现实应用对学龄前儿童的空间知识的影响。在研究中使用了一种结合定量和定性方法的混合方法。研究组由24名60-72个月的儿童组成。在研究中，根据学前教育和科学教育领域的专家意见而创建的10个问题形式用于衡量学龄前儿童的空间知识。儿童对增强现实实践的看法是通过半结构化访谈确定的。以空间为主题的增强现实卡，用于实验组的教学空间；在对照组中，使用了2D视觉效果。使用Mann Whitney U检验和Wilcoxon检验分析获得的数据。在研究中发现，在应用程序彼此接近之前，实验组和对照组的知识水平；通过增强现实应用进行的培训，可以看到知识水平提高了实验组。由于与孩子们进行了访谈，确定增强的现实实践引起了孩子的更多关注，创造了更大的现实感，并与二维视觉效果相比，使他们感到兴奋。已经观察到，使用技术工具支持学龄前儿童对空间的知识的研究并不多。在这种情况下，人们认为研究将阐明文献。研究文章
Framework for TCAD augmented machine learning on multi
摘要：在一个数据对实现突破变得越来越重要的世界中，微电子是一个数据稀疏且难以获取的领域。只有少数实体具有自动化半导体设备的制造和测试所需的基础架构。该基础架构对于生成用于使用新信息技术的足够数据至关重要。这种情况在大多数研究人员和行业之间产生了乳沟。为了解决此问题，本文将引入一种使用仿真工具和并行计算创建自定义数据集的广泛适用方法。使用卷积神经网络同时处理了我们获得的多I-V曲线，这使我们能够通过单个推断预测一套完整的设备特性。我们通过两个使用生成数据训练的有用深度学习模型的有用的深度学习模型来证明这种方法的潜力。我们认为，这项工作可以充当数据驱动方法的最新技术与更古典的半导体研究之间的桥梁，例如设备启动，收益工程或过程监控。此外，这项研究为任何人提供了在微电子学领域开始进行深度神经网络和机器学习实验的机会，而无需昂贵的实验基础架构。
增强现实对职业教育和培训中学生成绩和自我效能的影响
AR 被描述为一种将真实图像与虚拟对象同时集成的技术（Azuma，1997；Caudell & Mizell，1992）。在更广泛的定义中，AR 被定义为通过添加文本、照片、音频、动画、视频和三维模型等虚拟对象来增强真实图像的可视化（Delello，2014；Perez-Lopez & Contero，2013；Pylv¨as & Nokelainen，2017）。从这个意义上讲，AR 提供了一个真实的现场环境。通过增强功能，AR 可确保用户获得比其感官所能获得的更多信息（Sirakaya，2016）。尽管 AR 已在其他领域应用了很长时间，但据观察，最近才开始研究 AR 在教育环境中的实用性和潜力（Wu et al.，2013）。除了易于使用之外，AR 提供的教学优势在短时间内引起了人们对其在教育中的应用的关注。先前的研究列出了 AR 在教育环境中使用带来的好处。众所周知，使用 AR 不仅能吸引学生对课程的兴趣和注意力，还能提高他们的积极性（Delello，2014；Perez-Lopez & Contero，2013；Tomi & Rambli，2013）。此外，由于各种不切实际的原因（Shelton & Hedley，2002；Yuen 等，2011），可以安全地创建在现实世界条件下无法生成的环境，并且可以在教学中使用 AR 安全地进行危险的实验（Wojciechowski & Cellary，2013）。除了这些功能之外，AR 还具有以下优势：
IPN 毕业生利用人工智能和增强现实技术开发
“在 Android Studio 中开发应用程序不仅涉及程序建模，还涉及通信结构，通过与用户的语音交互，这可以通过使用融合人工智能的虚拟助手、Watson Assistant 平台、IBM Cloud 进行训练来实现，它使用自然语言处理 (NLP) 和深度神经网络 (DNN)，可以预测语音的频谱特征并提供尽可能自然的对话，”Paz Abedoy 解释道。
SBI Card MD兼首席执行官Rama Mohan Rao Amara，MD＆CEO，SBI卡讨论SBI卡如何增强其DIG
技术使客户的生活变得更加简单。从采购到支出，客户服务到后端操作，所有关键方面都受到影响。随着大流行的加速，技术采用的步伐，数字化和新时代技术在SBI卡中也起着关键作用。根据SBI卡医学博士Rama Mohan Rao Amara的说法，在过去的几年中，该公司在后端和前端对现代工具和IT基础设施进行了积极的投资，以改善整体用户体验。“因此，尽管许多人挣扎，但我们继续有效地运作并执行，”阿马拉（Amara）深入研究了信用卡公司的特定步骤，以保持与客户期望和需求保持一致。摘录：
全自动脑肿瘤分割用于增强现实中的3D评估
目的是目前可用的增强现实工作流程，需要使用手动或半自动分段创建3D模型，这是一个耗时的过程。作者创建了一种自动分割算法，该算法从单个T1加权MR序列中生成3D模型的皮肤，大脑，心室和对比度增强的肿瘤，并将该模型嵌入自动工作流中，以在云环境中增强现实的解剖结构的3D评估。在这项研究中，作者验证了该自动分割算法对脑肿瘤的准确性和效率，并将其与手动分割的地面真实集进行了比较。包括五十个对比度增强的T1加权序列，这些序列包括对比增强病变，测量至少5 cm 3。手动分割了地面真相集的所有切片。相同的扫描是在云环境中进行的，以进行自动分割。分割时间。将算法的准确性与手动分割的精度进行了比较，并根据Sørensen-Dice相似性系数（DSC），平均对称的表面距离（ASSD）和Hausdorff距离的95％（HD 95）进行了评估。结果自动分割算法的平均值±SD计算时间为753±128秒。平均值±SD DSC为0.868±0.07，ASSD为1.31±0.63 mm，HD 95为4.80±3.18 mm。脑膜瘤（平均0.89和中位0.92）的DSC大于转移（平均0.84和中值0.85）。自动分割的测量DSC（平均0.86和中位数为0.87）和HD 95（平均3.62 mm和中位3.11 mm）的上流转移的准确性要比依次转移的转移（平均0.82和中位数0.81 and 0.81 and dsc;平均值5.26 mm和median 4.72毫米）的HD 95 95毫米（平均0.82和中位数0.81），用于H.472 95 95 95 95 95 95 95 95 95 95毫米。结论通过提供3D增强对比度增强颅内病变的现实可视化，测量至少5 cm 3，基于云的分割算法是可靠，准确且足够快的，可以在日常临床实践中有助于神经外科医生。下一步涉及将其他序列合并并通过3D微调提高准确性，以扩大增强现实工作流程的范围。
摘要：本研究旨在探讨增强现实和移动应用支持教学对学生学业的影响。
摘要：本研究旨在调查增强现实和移动应用支持教学对七年级科学课“太阳系及其他/地球和宇宙”单元学生的学业成绩、天文学态度、焦虑和学习科学的动机的影响。在研究中，采用了前测-后测对照组准实验设计。研究组由56名学生组成（实验组29名学生，对照组27名学生），采用方便抽样法选出，他们就读于土耳其哈塔伊省的一所中学七年级。数据是通过研究人员开发的“太阳系及其他成功测试”（SSBST）收集的；我们使用 Yıldırım (2015) 开发的“科学学习焦虑量表”(SLAS)、Zeilik、Schau 和 Mattern (1999) 开发的“天文学态度量表”(AAS)（Bilici、Armağan、Çakır 和 Yürük (2012) 改编为土耳其语）以及 Tuan、Chin 和 Shieh (2005) 开发的“学生科学学习动机量表”(SMSS)（Yılmaz 和 Çavaş (2007) 改编为土耳其语）。使用描述性统计数据作为平均值、标准差、频率百分比值，使用推论性统计数据作为依赖和独立 t 检验来分析数据。结果发现，根据当前计划建议的方法，移动应用程序和增强现实支持教学对学业成功有积极影响，对课程的焦虑和动机没有任何影响，对内容的态度有负面影响。关键词：科学教学、增强现实、移动应用、太阳系、学业成功、对天文学的态度、动机、焦虑。
训练迁移——使用增强多感官提示的虚拟现实训练可改善训练期间的用户体验和现实世界中的任务执行情况
虚拟现实 (VR) 可以创建安全、经济高效且引人入胜的学习环境。人们通常认为，模拟逼真度的提高会带来更好的学习成果。真实环境的某些方面（例如前庭或触觉提示）很难在 VR 中重现，但 VR 提供了大量机会，可以以任意方式提供额外的感官提示，从而提供与任务相关的信息。本研究的目的是调查这些提示是否能改善用户体验和学习成果，具体来说，就是使用增强感官提示进行学习是否会转化为真实环境中的表现改善。参与者被随机分配到三个匹配的组中：第 1 组（对照组）仅被要求执行真实的轮胎更换。剩下的两组在 VR 中接受训练，然后在相同的真实轮胎更换任务上评估表现。第 2 组使用传统 VR 系统进行训练，而第 3 组使用增强的、任务相关的多感官提示在 VR 中接受训练。记录了客观表现、完成时间和错误数、主观存在感评分、感知工作量和不适感。结果表明，两种 VR 训练模式都提高了真实任务的表现。在 VR 训练期间提供额外的、与任务相关的提示可提高真实任务中的客观表现。我们提出了一种新方法来量化训练模式之间的相对性能增益
针对无家可归青年的艾滋病毒预防的人工智能增强干预临床试验
无家可归的青年 (YEH) 感染艾滋病毒的风险要大得多，因为他们无法获得稳定的住房，而且 YEH 中边缘化种族、族裔和性别认同群体的青年比例过高。健康公平的一个关键目标是提高这一人群的保护行为。一种有希望的干预策略是从 YEH 人群中招募同伴领袖，向他们的社交联系人推广使用安全套和定期进行艾滋病毒检测等行为。这就提出了一个计算问题：应该选择哪些年轻人作为同伴领袖，以最大限度地发挥干预措施的整体影响？我们开发了一个人工智能系统来优化社区卫生环境中的此类社交网络干预措施。我们在美国一个大城市的临时中心进行了一项临床试验，招募了 713 名 YEH。临床试验将使用算法计划的干预措施与招募青年社交网络中度数最高的节点作为同伴领袖的干预措施（公共卫生中的标准方法）和仅进行观察的对照组进行了比较。临床试验结果显示，人工智能组的青少年在艾滋病毒传播的主要风险行为方面有统计学意义的显著减少，而其他组的青少年则没有。据我们所知，这是首次通过实证验证使用人工智能方法优化社交网络干预措施以促进健康。最后，我们讨论了项目过程中获得的经验教训，这些经验教训可能为未来在社区一级的干预措施中使用人工智能提供参考。
重症监护领域 AI 的未来是增强智能，而非人工智能
© 作者 2020。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，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，提供知识共享许可协议的链接，并指明是否做出了更改。 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协议中，除非资料署名中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则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://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。