摘要:本研究的目的是确定近东大学学生对使用 Google 应用程序进行移动学习的看法。研究中使用了研究人员开发的包含 20 个项目的数据收集工具。应用结果表明,数据收集工具的克隆巴赫系数为 0.942。本研究的摘要部分提供了一般信息。在方法部分,表格显示了学生的年龄和性别以及学生就读的院系。研究过程中收集的数据在结果和讨论部分给出,并由研究人员在结论部分进行评估。研究结果表明,学生对移动教育中的 Google 应用程序持积极态度。对数据进行统计分析后发现,学生使用 Google 应用程序可以使大多数任务更容易完成。因此,学生使用这些应用程序可以节省更多时间和精力。提供使用这些应用程序的教育并从这些应用程序中受益将是件好事。本研究收集的数据旨在为来自不同大学和国家从事这一主题研究的其他研究人员提供指导。关键词:人工智能;移动学习;谷歌应用;技术。引用方式:Bicen, H., & Arnavut, A. (2020)。谷歌人工智能方法和在移动学习中使用谷歌应用的统计结果。BRAIN。人工智能和神经科学的广泛研究,11 (1),121-130。https://doi.org/10.18662/brain/11.1/18
PC12 是同类飞机中制造最精良、飞行最安全的飞机之一。对吗?作者:John Morris 绝对正确!但既然如此,那么为什么在过去一年(2008 年 9 月至 2009 年 8 月)期间,[报告的] 事件(1)/ 事故(4 起致命)不幸增加?当局对所有 PC12 事故(视为已结案)以及美国大多数航空事故给出的主要原因是人为因素或空间定向障碍,通常意味着这是飞行员的错。无论使用何种措辞,将其归咎于飞行员,有时似乎是一个过于简单的借口,而且不公平,尽管将其归咎于其他人(或事物)已成为一种全国性的消遣。然而,与所有其他指责者不同,在提到人为因素的情况下,飞机事故调查的范围及其结论确实指向某种判断或决策错误,而这种错误至少可能导致最终结果。我们都应该意识到导致这一结果的事件“链”,飞行员的行为或不作为可以形成联系或打破这一链条。所以我们又一次在这里讨论决策和风险管理。为什么?在我看来,我们需要另一次审查,也许还需要一个不同的视角。FAA [风险管理手册 - 2009 年 5 月]、AOPA 和其他来源提供了风险管理工具。它们非常有用,至少应该定期参考。但本文将重点关注从不同角度看到的决策和风险管理,即对 PC12 能力可能过度自信,导致决策失误和风险增加。在我多年的教学中,我通常会提到 Pilatus 如何出色地“确保”PC12 的飞行员安全,这意味着消除了许多飞行员可能导致事故/意外的经典方式。但没有人可以完全消除人为因素或消除破坏系统的手段。最终,重力总是占上风。因此,我们希望努力涵盖所有有形因素,并为无形因素做好准备。我很好奇,驾驶员是否会对 PC12 及其功能过于自信。让我们谈谈有形因素。技术是否助长了这种过度自信?当今的技术比以往任何时候都更加神奇,而且变化/改进的速度不是几年,而是几个月。因此,我确实相信,这会产生问题,成为链条中的一个环节,直到飞行员适应更新的可用技术。这方面的例子包括改进的下载天气信息、WAAS 升级的航空电子设备-自动驾驶仪接口,甚至 PC12NG 与 Apex 系统。我所说的调整是指正确理解和利用这些新信息,因为它适用于增强 PC12 的飞行。这也意味着了解这项新技术不那么明显的局限性,从而知道何时使用标准、基本的飞行判断,如果有疑问。另一个有形的是飞行员驾驶 PC12 的一般熟练程度,而不仅仅是仪表熟练程度。FAA 通过改变方法提供了一些帮助
短期和中期•通过对每个机构进行研究对操作方法调查,包括潜在转移到运营的研究任务,以收集每个机构的经验。 •提出了一个一致的CGMS研究对操作基线过程,其中包括灵活性和适应性,并促进研发机构的参与。 •鼓励CGMS机构和研发业务将研究纳入新卫星系统的计划阶段的运营基线过程,并在应用程序的应用中报告其经验;短期和中期•通过对每个机构进行研究对操作方法调查,包括潜在转移到运营的研究任务,以收集每个机构的经验。•提出了一个一致的CGMS研究对操作基线过程,其中包括灵活性和适应性,并促进研发机构的参与。•鼓励CGMS机构和研发业务将研究纳入新卫星系统的计划阶段的运营基线过程,并在应用程序的应用中报告其经验;
根据DNA分析的结果和家庭团聚案件中的其他信息做出正确的决定可能会出于多种原因而变得复杂。这些包括分层人群,家庭星座的文化差异,人口不同的家庭以及复杂的家庭关系,给人以复杂的血统。这项研究的目的是分析移民案件中错误结论的风险,并提出替代程序,以减少犯此类错误的风险。模拟模型用于研究不同的问题。为简单起见,我们专注于可以作为有关亲子关系的问题提出的案例。我们介绍了错误率(错误地包括男人作为真正的父亲,而错误地排除了真正的父亲的错误率),以进行相当标准的计算,我们展示了这些因素如何受到不同因素的影响。例如,在案例中添加更多的DNA标记将降低错误率,包括更多儿童。我们发现,使用不适当的人口频率数据库对错误率的影响很小,但可能性比率从低估100倍到高估100,000倍的变化。为了降低错误的风险,包括一个与真正的父亲有关的人,我们提出了一个更简单的先验,包括五个假设,而不是通常使用的两个假设。模拟表明,即使先验不完全对应现实,该方法与标准计算相比降低了错误率。#2007 Elsevier Ireland Ltd.保留所有权利。
