XiaoMi-AI文件搜索系统
World File Search Systembias
工程小鼠针对女性偏见的后代而没有影响遗传完整性和垃圾大小
图2。用强力霉素治疗的WT小鼠，转基因小鼠和转基因小鼠的精子形态。A.来自不同小鼠的cauda附子酰胺的精子的代表性图像，显示了所示形态。B.不同组中不同形态的分布。*，p <0.05
教育系统中的算法偏见：检查AI驱动决策在现代教育中的影响
在教育环境中，人工智能和算法系统的融合日益增加，引起了人们对其对教育公平的影响的关键关注。本文研究了各种教育领域的算法偏见的表现和含义，包括招生过程，评估系统和学习管理平台。通过分析当前的研究和研究，我们研究了这些偏见如何使现有的教育差异永久化或加剧，尤其是影响边缘化社区的学生。该研究表明，教育中的算法偏见是通过多个渠道运作的，从数据收集和算法设计到实施实践和机构政策。我们的发现表明，有偏见的算法可以显着影响学生的教育轨迹，从而在教育中创造新形式的系统障碍。我们提出了一个全面的框架来解决这些挑战，将技术解决方案与政策改革和机构指南相结合。这项研究有助于对教育中的道德AI越来越多的论述，并提供了在越来越数字化的世界中创建更公平的教育系统的实用策略。
研究AI系统：通过诠释学逆向工程检查数据和算法偏见
将人工智能系统视为边界对象，它们是跨学科的对象，在不同领域的跨学科对象中，在提供共同的话语的同时，本文总结了检查AI系统中偏见的方法。认为，检查与AI系统的建设和工作有关的每个部分对于打开政治游戏和潜在插入偏见点至关重要。通过操作诠释学的逆向工程，将数据和算法的关键分析作为AI系统的两个核心部分。诠释学逆向工程是一个框架，可以解开和了解有助于其含义和环境的技术文化对象和/或系统的不同元素。它对可以设计其他现实的投机性想象力，并包括文化分析，以确定技术文化对象背后的现有含义和假设，确定含义的关键要素，并推测重新组装对象的不同含义的可能性。该方法在AI系统上获得的主要结果是使用文化考虑和技术想象力来解开AI和设计创新方法为AI发挥替代/包容含义的现有含义。本文中提出的研究观点包括对AI系统不同要素内的偏见和政治的批判性检查，以及这些偏见对不同社会群体的影响。本文提出了使用诠释学逆向工程的方法来研究AI系统，并推测AI系统可能的替代和更负责任的期货。
CV -HAPOSAN_JAN25.pdf- TOBIAS HAPOSAN个人页面
•对X射线应用的机械化合物合成的铜卤化物钙钛矿（CHP）的闪烁特性和陷阱状态研究的构想研究。表征技术的分析包括光致发光/UV-VIS，辐射发光，热发光和脉冲高度光谱（pHS） - 闪烁衰减。•通过溴掺杂和降低尺寸降低，提高了CHP上的闪烁参数和性能的工作，实现了增强的快速衰减组件（短〜9.3 ns，43％，43％，43％）和可调陷阱深度，用于闪烁应用。•在湿实验室，科学仪器维护和监督（拉曼光谱）和消耗品监控上进行了进一步的工作。•进行了网站创建组信息（apcresearch.org），并在组网站（Management.apcresearch.org/resources/h）上管理了专有技术/SOP文档。
在映射城市环境中的街道视图图像的覆盖范围和偏见
街道视图图像（SVI）已成为城市研究中有价值的数据形式，从而为绘制和感知城市环境提供了新的方法。然而，关于SVI的代表性，质量和可靠性的基本问题仍然没有被解散，例如该数据在多大程度上可以捕获城市并进行数据差距导致偏见。这项研究位于空间数据质量和城市分析的交集中，通过提出一种新颖和e ff的方法来解决这些问题，以估计SVI在城市环境中的元素级别覆盖率。该方法整合了SVI与目标要素之间的位置关系，以及身体障碍的影响。将数据质量的域扩展到SVI，我们引入了一个指标系统，该系统评估了覆盖范围，重点是完整性和频率维度。作为一个案例研究，进行了三个实验，以确定SVI覆盖和代表城市环境因素的能力的潜在偏见，并以建筑物外墙为例。发现，尽管在城市道路网络沿线可用性很高，但Google Street View在案例研究区中仅覆盖62.4％的建筑物。每栋建筑物的平均立面覆盖率为12.4％。svi倾向于过分陈述非住宅建筑物，因此可能导致有偏见的分析，并且其对环境因素的覆盖范围依赖于位置。这项研究还强调了在不同数据采集实践下的SVI覆盖范围的可变性，并提出了SVI收集的最佳采样间隔范围为50-60 m。调查结果表明，虽然有价值的见解，但它不是灵丹妙药 - 它在城市研究中的应用需要仔细考虑
单层石墨烯场效应晶体管 (FET) 的直接偏置和频率相关小信号模型提取
摘要 — 我们提出了一种基于电荷准静态模型的显式小信号石墨烯场效应晶体管 (GFET) 参数提取程序。通过对 300 nm 器件进行高频（高达 18 GHz）晶圆上测量，精确验证了小信号参数对栅极电压和频率的依赖性。与其他只关注少数参数的工作不同，这些参数是同时研究的。首次将有效的程序应用于 GFET，以从 Y 参数中去除接触电阻和栅极电阻。使用这些方法可以得到提取小信号模型参数的简单方程，这对于射频电路设计非常有用。此外，我们首次展示了本征 GFET 非互易电容模型与栅极电压和频率的实验验证。还给出了测量的单位增益和最大振荡频率以及电流和功率增益与栅极电压依赖性的精确模型。
视觉线索可能会影响脑电图深度学习模型
过去几年，深度学习 (DL) 在基于运动想象的脑机接口 (MI-BCI) 分类中的应用取得了显著增长，有望提高 EEG 分类准确率。然而，DL 的黑箱性质可能导致准确但有偏差和/或不相关的 DL 模型。在这里，我们研究在 DL 输入窗口中使用视觉提示 EEG（通常使用）对所学特征和最先进 DL 模型 DeepConvNet 的分类性能的影响。分类器在一个大型 MI-BCI 数据集上进行了测试，在视觉提示后有两个时间窗口：0-4 秒（有提示 EEG）和 0.5-4.5 秒（无提示 EEG）。从性能角度来看，第一个条件明显优于第二个条件（86.82% vs. 76.11%，p<0.001）。然而，显著性图分析表明，加入视觉提示 EEG 会导致提取提示相关诱发电位，这与没有视觉提示 EEG 训练的模型所使用的 MI 特征不同。
为什么Genai中的偏见是现在必须解决的多样性，公平和包容性挑战
歧视性数据每秒都会在全球生成大量的电子数据。这些数据并不总是公平地代表社区或人口群体，并且经常反映现实世界中的社会偏见。全球媒体监测项目（2020）的研究表明，例如，只有25％的全球新闻和媒体关注女性。用于训练LLM的数据集易于选择性策划，并且较旧的数据集可能更容易受到历史偏见的影响。关于要收集，标记，分类和存储培训集的数据的主观决策也可能在不同人群的代表群体中造成差异。同时，LLMS通常只能访问所有全球可用数据的一部分 - 世界上狭窄的“快照”，其中无意中排除了一系列信息（和社区）。
表征基于触摸屏的GO/NO GO，用于评估小鼠认知判断偏见的任务：一种用于情感状态疾病药物筛查的新翻译工具
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年1月20日发布。 https://doi.org/10.1101/2025.01.20.633915 doi：Biorxiv Preprint
不完整的人类参考基因组可以驱动虚假的性偏见并暴露于宏基因组数据中的患者识别信息
其他声明：是的，存在潜在的竞争利益。Rob Knight是BioMesense，Inc。的科学顾问委员会成员兼顾问，具有公平性并获得收入。他是科学顾问委员会成员，在Gencirq拥有权益。他是Daytwo的顾问和科学顾问委员会成员，并获得收入。他拥有公平，并担任赛贝尔的顾问。他是Biota，Inc。的共同创始人，并具有公平性。他是Micromana的联合创始人，具有公平性，并且是科学顾问委员会成员。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。 根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。