XiaoMi-AI文件搜索系统
World File Search Systemcoring
AP® 物理 1：基于代数的 2022 年评分指南
碰撞前粘土-块体和球体-块体系统的动量在两种情况下都是相同的，因为动量在碰撞中不会改变；碰撞后也一样。情况 B 中的球体从块体上弹起，因此碰撞后的动量小于情况 A 中的粘土（或为负）。为了使两种情况下的系统在碰撞后具有相同的动量，块体 B 的动量必须大于块体 A，因此速度也更大。块体下落所需的时间相同，因此块体 B 行进的水平距离（发射速度 x 下落时间）大于 d A 。
AP® 物理 1：基于代数的 2023 年评分指南
• 所用材料的物理因素（例如，车轮具有不可忽略的转动惯量、斜坡颠簸、车轮摇晃或不是完美的圆形、斜坡底部不平、地板不平。）• 环境中的物理因素（例如，房间正在加速、电梯、实验是在高海拔或不同的星球上进行的。）• 测量收集中的物理错误（例如，时间、位置或角度测量不正确。）
人工智能评分与自动评分资产
AI 评分与自动评分有何不同？自动评分解决方案是使用传统的软件辅助编程开发的。这种编程需要人类“编码”或“编写”应用于睡眠研究数据以生成答案的单独规则。由于睡眠研究数据（尤其是 PSG 数据）变化很大，因此必须编写或编码大量规则以解释睡眠研究中发现的变化，这使得这些传统的编程方法不适合对睡眠研究进行评分，并且通常会导致团队花费比他们最初节省的更多的时间来纠正错误。
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
肉牛体况评分 - MU Extension
在真正的春季（例如 4 月）产犊的母牛在产犊时应该处于 5 或更高的 BCS，因为产犊时牧草质量可以满足泌乳相关需求。但是，实际上在冬季（例如 1 月至 3 月）产犊的“春季产犊”母牛仍在食用收获的牧草，并且通常会在产犊后失去 BCS。如果母牛在产犊时处于中等到肥壮状态（BCS 6），那么这种损失并不有害，但是如果母牛在此期间进一步失去状态，则瘦弱到临界状态的母牛的繁殖能力将下降。繁殖时 BCS 为 5 的春季产犊母牛应该能够保持其状态直到断奶。它们需要在断奶后增加 BCS，以便在产犊前达到所需的 BCS。图 11 说明了管理良好的春季产犊牛群在一年内发生的 BCS 变化。
AP® 研究学术论文示例学生回答和评分评论
• 探索与研究主题相关的学术文献中代表多种观点的多部作品之间的关系；阐明他们选择使用什么方法、方式或过程来解决他们的研究问题，为什么他们选择这种方法来回答他们的问题，以及他们如何使用它；
AP® 宏观经济学学生回答示例和评分评定集 1
概述 该问题通过计算价格指数考察学生对进口变化对总需求和失业的影响以及通货膨胀对实际收入的影响的理解。 学生被告知 Flowerland 是一个开放的经济体，实行灵活的汇率制度。它的自然失业率为 5%，摩擦性失业率为 4%，实际失业率为 7%。在 (a) 部分，学生被要求计算 Flowerland 的周期性失业率。在 (b) 部分，学生被要求假设 Flowerland 生产的薰衣草油的需求增加，并指出 (i) 总需求会发生什么并解释，以及 (ii) 周期性失业会发生什么。 接下来，向学生提供了 Flowerland 生产的两种商品（薰衣草油和玫瑰）在 2019 年和 2020 年的价格和数量数据。在 (c) 部分，学生被告知假设基准年是 2019 年，并要求计算 2020 年的价格指数并展示他们的工作。在 (d) 部分，学生被告知 Flowerland 的名义收入从 2019 年到 2020 年增长了 20%，并指出 Flowerland 的生活水平是会增加、减少还是保持不变并解释。样本：3A 分数：5
AP® 宏观经济学学生答案示例和评分评定集 2
概述 这个问题考察了学生对如何使用财政政策消除衰退性产出缺口，以及在没有干预的情况下经济如何过渡到长期均衡的理解。在部分 (a) 中，学生被要求在衰退缺口为 6000 亿美元的情况下确定经济在短期和长期菲利普斯曲线上的位置。在部分 (b) i 中，给定边际消费倾向为 0.75，学生被要求计算使总需求增加 6000 亿美元产出缺口所需的政府支出最小变化并展示他们的工作。在部分 (b) ii 中，学生被要求假设政府不是改变政府支出，而是改变税收来实现相同的总需求变化。在部分 (c) 中，学生被要求假设政府不采取任何政策行动来缩小部分 (a) 中显示的产出缺口，并解释经济将如何长期调整。
可解释的人工智能助力可解释的信用评分
随着人工智能 (AI) 的不断进步和金融科技的热情高涨，信用评分等应用引起了学术界的广泛兴趣。信用评分是一种帮助金融专家更好地决定是否接受贷款申请的方法，这样违约概率高的贷款就不会被接受。表现良好的信用评分模型能够区分更有可能违约的贷款申请和不太可能违约的贷款申请，这是非常有益的，因为它们减少了贷款审批流程所需的时间，并可以节省大量成本。除了此类信用评分模型面临的嘈杂和高度不平衡的数据挑战之外，最近出台的法规，例如《通用数据保护条例》(GDPR) 和《平等信贷机会法》(ECOA) 引入的“解释权”，也增加了对模型可解释性的需求，以确保算法决策是可以理解和连贯的。因此，这要求黑盒机器学习 (ML) 模型（如 ANN 和 XGBoost）不仅在分类性能上准确，还必须能够解释它们的预测，以便金融专家愿意信任和采用这样的模型。最近提出的一个有趣概念是可解释的人工智能 (XAI)，其重点是使黑盒模型更具可解释性和可说明性。多年来，已经提出了多种旨在通过规则或视觉说明来解释 ML 算法预测的 XAI 方法，其中一些是本质上可解释的模型，而另一些是事后可解释性技术。在这项工作中，我们旨在提出一种既准确又可解释的信用评分模型，并且总体上比 Dash 等人 (2018) 提出的最先进的基准通过列生成布尔规则 (BRCG) 方法更好；Dash 等人是 FICO 最新的可解释机器学习挑战赛的获胜者。本工作中进行的实验表明，最先进的 XGBoost 模型比逻辑回归 (LR)、决策树 (DT)、随机森林 (RF) 和人工神经网络 (ANN) 技术以及基准 BRCG 模型表现更好，在 HELOC 数据集上的 ROC 曲线下面积 (AUROC) 为 0.78，在 Lending Club 数据集上的 AUROC 为 0.71。XGBoost 模型通过三种 XAI 技术得到进一步增强；SHAP+GIRP 提供全局解释，Anchors 提供基于局部特征的解释，ProtoDash 提供基于局部实例的解释。这三种类型的解释为可解释性提供了全面的解决方案，因为不同的人在不同情况下需要不同的解释。通过使用功能基础（即通过形式化措施评估）、应用基础（即由人类专家评估）和人为基础（即通过对文献的分析（通常由普通人评估）表明，所提供的解释简单、一致、完整，并且满足了正确性、有效性、易理解性、细节充分性和可信度等六项预定假设。
使用和不使用评估模型来评判航空公司飞行员的表现：两家不同航空公司的评估员评分的比较研究
学术共享引文 学术共享引文 Weber, D. (2016)。使用和不使用评估模型评判航空公司飞行员的表现：对两家不同航空公司的评分员评分的比较研究。航空/航天教育与研究杂志，25(2)。https://doi.org/10.15394/jaaer.2016.1645