XiaoMi-AI文件搜索系统
World File Search Systemgroups
JMU AI 任务组春季更新：JMU 的人工智能任务组在过去一学年专注于四个探索领域：作者身份和新知识的产生；人工智能和学生体验；高等教育和社会中的新背景和意义；以及生成性人工智能的可能管理应用。我们根据 JMU 在数据治理、麦迪逊再造项目和总统目标 #1b 方面的努力开展这项工作。任务组团队共同制作了一套丰富的初步调查结果和建议（2024 年 2 月初步报告），提交给访客委员会（2024 年 4 月幻灯片），并且——最近——汇编了其他要点和可能的下一步方向，概述如下。第 1 组：作者身份和新知识这个任务组小组于 2024 年春季召集了来自整个校园的一系列教职员工焦点小组，讨论人工智能在教学和学术中的使用。我们使用 ChatGPT 4 开始总结 6 多个小时的讨论，我们的领导小组修改并确定了以下内容的优先顺序。我们想分享讨论中的关键要点和未来工作的关键建议：焦点小组记录中的关键要点
JMU AI 任务组春季更新：JMU 的人工智能任务组在过去一学年专注于四个探索领域：作者身份和新知识的产生；人工智能和学生体验；高等教育和社会中的新背景和意义；以及生成性人工智能的可能管理应用。我们根据 JMU 在数据治理、麦迪逊再造项目和总统目标 #1b 方面的努力开展这项工作。任务组团队共同制作了一套丰富的初步调查结果和建议（2024 年 2 月初步报告），提交给访客委员会（2024 年 4 月幻灯片），并且——最近——汇编了其他要点和可能的下一步方向，概述如下。第 1 组：作者身份和新知识这个任务组小组于 2024 年春季召集了来自整个校园的一系列教职员工焦点小组，讨论人工智能在教学和学术中的使用。我们使用 ChatGPT 4 开始总结 6 多个小时的讨论，我们的领导小组修改并确定了以下内容的优先顺序。我们想分享讨论中的关键要点和未来工作的关键建议：焦点小组记录中的关键要点
乌干达弱势群体对黄热病紧急大规模疫苗接种的看法：一项定性研究
黄热病由南美洲和非洲热带地区的蚊子传播。它可导致严重疾病和死亡。疫苗可预防黄热病。然而，一些受影响地区的人们没有接种疫苗，因为疫苗价格昂贵，而且不属于常规免疫接种。对他们来说，只有在疫情爆发时，紧急大规模疫苗接种运动才能获得疫苗。在这项研究中，我们探讨了乌干达弱势群体（65 岁以上的人和孕妇）对紧急黄热病大规模疫苗接种的当地看法，以更好地了解这些人如何获得疫苗信息，受影响社区会收到哪些信息，人们接种疫苗的动机是什么，以及哪些政治动机可能影响疫苗接种计划。尽管开展了广泛的宣传活动，但我们发现，到达社区的信息差异很大，人们严重依赖社区来源。此外，缺乏可靠信息和疫苗接种运动的政治化增加了人们对黄热病疫苗的不信任。我们还发现，只有理解疫苗接种的原则——预防疾病——才有可能获得知情同意。宣传活动应着重于广泛宣传免疫的重要性。参与组织宣传活动的人应意识到政治化对疫苗接种的潜在影响。
风险组的冠状病毒疫苗接种
如果免疫系统削弱了，则增加了COVID-19疾病的严重病例的风险。另一方面，疫苗接种可能无法像健康的人一样起作用。因此，对于免疫系统较弱的人来说，可能需要其他疫苗接种。如果某人的免疫系统较弱，Stiko建议密切联系（例如，家庭成员）也应接受年度加强疫苗接种。6个月大的儿童还建议青少年进行基本的免疫力和年度助推器疫苗接种。如果您对疫苗接种有任何疑问，请联系医生。
研究注意，游戏接种降低了政治内群心理接种干预措施的敏感性，这些干预措施
研究注意，GAM接种的接种降低了政治内群人心理接种干预措施的敏感性，这些干预措施试图先发出抵抗不必要的说服力尝试的抵抗，这表明有望减少误解的易感性。但是，由于许多人从受欢迎的主流群组来源（例如，消费左翼媒体的左翼人士）收到新闻，这可能会构成误导或虚假的内容，并且由于INGOUP来源可能更具说服力，因此源对接种干预措施的源影响的影响需要注意。在本实验中，我们发现，尽管新闻消费者更容易受到政治INCOUP出版商（非政治性）误解的影响，但GAMIFIED接种成功地改善了真实性的识别，并降低了政治INCOUP和OUTGroup和Outgroup Publishers误解的易感性。作者：Cecilie Steenbuch Traberg（1），Jon Roozenbeek（1,2），Sander van der Linden（1）分支机构：（1）英国剑桥大学心理学系心理学系，（2）英国国王学院伦敦国王学院。如何引用：Traberg，C。S.，Roozenbeek，J。和Van der Linden，S。（2024）。游戏接种降低了政治内部的错误信息的敏感性。哈佛肯尼迪学校（HKS）错误信息评论，5（2）。收到：2024年1月3日。接受：2024年4月9日。出版：2024年4月30日。研究问题
一个可解释的框架，可以从临床试验中识别有关治疗效果的响应式亚组：应用脑出血治疗
随机临床试验（RCT）遭受高失败率，这可能是由对治疗的异质反应引起的。尽管开发了许多模型以估计异质治疗效应（HTE），但仍缺乏可解释的甲基化剂来识别响应式亚组。这项工作旨在开发一个框架来基于优先级可解释性的治疗效果来识别亚组。所提出的框架利用了一个集合隆福树方法来生成描述性决策规则，该规则将样本分开，给出了对治疗的估计响应。随后，我们选择了这些决策规则的互补集，并使用稀疏线性模型对其进行排名。为了解决试验有限的样本量问题，我们通过从外部研究中借用控制患者并产生合成数据提出了数据增强策略。我们将提出的框架应用于失败的随机临床试验，以调查脑内出血治疗计划。Qini分数表明，提出的数据增强策略计划可以通过选择互补的描述性规则而不损害估计质量来提高模型的性能，并且框架可以提高模型的性能。我们的模型得出了临床上有意义的亚组。，我们发现那些患有舒张压70 mm Hg的患者，收缩压<215 mm HG受益于强化血压降压疗法更受益。提出的可解释的HTE分析框架为从具有中性治疗效果的RCT中提取有意义的见解提供了有希望的潜力。通过识别响应式亚组，我们的框架可以更有效地为患者制定个性化治疗策略。
NHSN 医护人员安全 (HPS) 年度医护人员流感疫苗接种模块：群组和超级群组 - 查看和上传年度
数据。可以包括多个设施（属于该组并具有授予权利的设施）。需要有效的设施标识符。输入所有数据后，保存每个文件以在 NHSN 中上传 .CSV 文件。注意：虽然可以在一个 CSV 文件中上传多个设施，但不能在单个 CSV 文件中上传多个流感疫苗接种地点。有关 .CSV 模板中包含的变量的完整信息，请参阅本文档末尾的表格（“表 1：NHSN HCP 年度流感疫苗接种数据导入文件格式”）。NHSN 的 HCP 流感疫苗接种提供了在必填字段中包含测试数据的示例 .CSV 文件：http://www.cdc.gov/nhsn/hps/vaccination/index.html。
气候变化引起的世界最北端的卵子蛇的生存和大小的转变：一项68年的研究
信念和态度构成了关于气候变化的公众舆论的核心。网络分析可以揭示这些信念和态度的结构配置。在这项研究中，我们取代了一个信念系统框架，以确定关键的心理因素，跟踪这些信仰体系的密度随着时间的流逝和整个政治群体的密度变化，并分析美国政治群体内部和政治群体之间信仰体系的结构异质性。从2010年到2021年（n = 16,742）的15个国家代表性调查数据浪潮，我们的发现表明，担心气候变化是最中心的媒介元素。有趣的是，我们发现，在政治上没有亲属的人中，心理因素之间的联系随着时间的推移而加强，这意味着该群体中信仰体系的一致性增加了。尽管对共和党人和民主党人之间气候变化的信念具有政治极化，但我们的发现表明，与其他群体相比，这两个群体组织和构造气候变化信念的方式并没有明显不同。这些发现为气候变化专家和传播者提供了理论和实用的见解。
在布哈拉地区发现的爬行动物的生态群
摘要。世界各地观察到的任何环境问题，尤其是人为因素都会影响自然，包括爬行动物的数量和生物生态学特征。尤其是，人类经济活动的类型和规模的扩展及其对环境的增加需要对爬行动物物种多样性的多样性，分布的生态和保护组织进行深入的科学研究。自上个世纪下半叶以来，与环境保护和生物多样性的保护有关的问题在其规模和相关性方面已变得至关重要。Key words: Gymnodactylus fedtscheukoi, Agama Lehmanni, Ophisaurus apodus, Eryx miliaris, Echis carinatus, Testudo horsfieldi, Phrynocephalus mustaceus, Gymnodactylus caspius, Natrix tesselata, Vipera ursini, Phrynocephalus interscapularis Eremias Velox，eremias grammica。
Nirmatrelvir/利托那韦可缩短高危患者亚群中 COVID-19 症状的持续时间
mITT1=修改后的意向治疗 1；阴性=不存在 SARS-CoV-2 抗体；NMV/r=尼玛瑞韦/利托那韦；阳性=存在 SARS-CoV-2 抗体。NMV/r 组和安慰剂组之间的显著差异用星号表示：* P ≤ 0.05、** P ≤ 0.001 和 *** P ≤ 0.0001。使用 Cox 比例风险模型分析每个亚组内治疗对持续缓解时间的影响，该模型以治疗和地理区域为独立变量，以基线 SARS-CoV-2 血清学状态和基线病毒 RNA 水平（< 4 vs ≥ 4 log 10 拷贝/mL）和基线症状出现持续时间（从症状出现到现在的时间，≤ 3 vs > 3 天）作为协变量。
一种机器学习方法来识别血液性恶性疾病患者组
背景和客观：在血液学恶性肿瘤（HM）的免疫功能低下患者中针对SARS-COV-2的疫苗接种对于降低Covid-19的严重程度至关重要。尽管进行了疫苗接种的努力，但超过三分之一的HM患者仍然没有反应，增加了严重突破感染的风险。本研究旨在利用机器学习对COVID-19动力学的适应性，有效地选择特定于患者的特征以增强预测并改善医疗保健策略。重点介绍了复杂的共同食物学联系，重点是可解释的机器学习，为临床医生和生物学家提供宝贵的见解。方法：该研究评估了一个患有1166例血液疾病患者的数据集。输出是完整的COVID-19疫苗接种后血清学反应的成就或未实现。采用了各种机器学习方法，其最佳模型基于指标，例如曲线（AUC）下的面积，灵敏度，特异性和MATTHEW相关系数（MCC）。单个形状值被视为，并将主成分分析（PCA）应用于这些值。然后在确定的簇中分析患者概况。结果：支持向量机（SVM）作为表现最佳的模型出现。PCA应用于SVM衍生的外形值，导致四个完全分开的簇。这些簇的特征是产生抗体的患者比例（PPGA）。群集2的PPGA最低（33.3％），但样本量较小，有限的结论性发现。群集1，PPGA第二高（69.91％）包括侵袭性疾病和导致免疫缺陷增加的因素的患者。群集3，代表大多数人群，与群集1相比，抗体产生率很高（84.39％）和更好的预后。群集4，PPGA为66.33％，包括B细胞非霍奇金患者在皮质类固醇治疗中的淋巴瘤。结论：该方法使用机器学习和可解释的AI（XAI）成功识别了四个独立的患者簇。然后，我们根据COVID-19疫苗接种后产生抗体的HM患者的百分比分析了每个簇。该研究表明该方法对其他疾病的潜在适用性强调了可解释的ML在医疗保健研究和决策中的重要性。