征文:教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点,旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论,讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究,也包括社会科学、经济学和人文学科,包括所有学科,如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产,以及决策和行为科学观点的信息预测。一方面,我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面,我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法(包括使用人工智能的方法)、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下,不同观点之间的沟通和相互理解至关重要,这也是本次研讨会的目标之一。更广泛地说,我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题:在最广泛的层面上,立法和规范问题;在公司层面,关于投资决策以及如何保持生产力和劳动力的问题;在个人层面,关于资格以及哪些技能需要应用和可能重新学习的问题。因此,技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序(以及如何开发)来解决第 1 部分提出的问题的(计算机科学主导)讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年,但近年来,由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长,其增长显着增加。我们正处于这一领域发展的关键时刻,人工智能专家和教育专家必须携手合作,以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中,我们特别关注人工智能的技术方面,重点关注用于内容创建(生成式人工智能)、学生分析(机器学习)、学习分析或教师可解释的人工智能方法的具体技术
。CC-BY 4.0国际许可证。根据作者/资助者,它是根据预印本提供的(未经同行评审的认证),他已授予Biorxiv的许可证,以在
hal是一个多学科的开放访问档案,用于存款和传播科学研究文件,无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构,也可能来自公共或私人研究中心。
。cc-by 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他已授予Biorxiv授予Biorxiv的许可,以永久显示预印本。是
摘要尽管世界各国广泛采用和扩展了DNA数据库,但很少有研究研究了促进公众支持或反对其扩张的因素。利用警察合法性的规范和工具模型,探讨了在韩国大约1,000名成年人的全国样本中,有助于扩大DNA数据库的公共支持的机制。使用结构方程建模,我们检查了公民对程序正义,警察有效性和警察合法性对公民支持扩大DNA数据库的支持的直接和间接影响,这是一种警察授权的形式。我们的结果表明,对警察的信任是公民支持扩展DNA数据库的关键先例。公民对程序正义和警察有效性的看法间接增加了公众对通过增加对警察的信任来扩大DNA数据库的公众支持,但两者都没有直接影响。值得注意的是,程序正义比警察对扩大DNA技术的支持的有效性比警察的有效性更大。我们的研究强调了执法机构在公众眼中建立信任和合法性的努力的重要性,以增强对扩展DNA数据库的支持。这可以通过以程序公平的方式对待公民来实现,并有效地解决犯罪,并更加重视前者。
最大,最容易识别的是前fontanelle(AF),这是额叶和顶骨之间的菱形形开口。[7] AF相对于瓦尔瓦里亚生长,促进了更快的大脑生长。[2,4,8]对AF大小的临床检查是新生儿和儿科最佳中心的新生儿和婴儿全面检查的一部分。AF的大小可用于跟随儿童在生命的早期的发展和营养,因为它被认为是产前和产后时期颅增长和发育的良好指数。[2,3,5,9]头骨的平坦骨头是膜骨头,中心的骨化中心,并通过成骨细胞和整骨活性之间的微妙平衡不断地重塑。这些骨骼通过在产后和产后期间边缘的中央吸收和骨骼增添骨骼。除了Metopic缝合线以外,它们保持开放,直到脑生长在第2年结束时退出[10],就像缝合线的融合一样,垂直于该缝合线的生长受到限制。因此,Fontanelles的大小取决于神经生长,硬脑膜因子,缝合特征和成骨。[11,12]
© 作者 2025。开放存取 本文根据知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议授权,允许以任何媒体或格式进行任何非商业性使用、共享、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表明您是否修改了许可材料。根据此许可,您无权共享源自本文或本文部分内容的改编材料。本文中的图像或其他第三方材料包含在文章的知识共享许可中,除非材料致谢中另有说明。如果材料未包含在文章的知识共享许可中,且您的预期用途不被法定规定允许或超出允许用途,您需要直接从版权所有者处获得许可。要查看此许可的副本,请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/。
1 新加坡国立大学杨潞龄医学院睡眠与认知中心及转化磁共振研究中心,新加坡 2 墨尔本大学精神病学系系统神经科学实验室,维多利亚州帕克维尔,澳大利亚 3 墨尔本大学解剖学与生理学系干细胞疾病建模实验室,维多利亚州帕克维尔,澳大利亚 4 美国波士顿哈佛医学院布莱根妇女医院精神病学系精神病学神经影像实验室 5 新加坡拉菲斯医院拉菲斯神经科学中心 6 新加坡国立大学卫生系统记忆衰老与认知中心 7 费城儿童医院和宾夕法尼亚大学寿命脑研究所脑基因发育实验室,宾夕法尼亚州费城,美国 8 费城儿童医院儿童和青少年精神病学和行为科学系,宾夕法尼亚州费城,美国 9 宾夕法尼亚大学精神病学系,宾夕法尼亚州费城,美国10 新加坡国立大学杨潞龄医学院药理学系,新加坡 11 新加坡国立大学电气与计算机工程系,新加坡 12 新加坡国立大学综合科学与工程项目(ISEP),新加坡 13 新加坡国立大学杨潞龄医学院医学系、健康长寿转化研究项目、人类潜能转化研究项目和数字医学研究所(WisDM),新加坡 14 新加坡国立大学 N.1 健康研究所,新加坡 15 美国马萨诸塞州查尔斯顿麻省总医院马蒂诺斯生物医学成像中心 16 澳大利亚维多利亚州帕克维尔墨尔本大学生物医学工程系 ¤ 这些作者对这项工作做出了同等贡献。
图 1:使用 FUNCOIN 进行规范建模的示意图。A. 输入数据集包含来自英国生物库的大量健康和不健康受试者的测量数据。我们在大量健康受试者(训练数据,黑色,N = 32k)上训练我们的模型。在较小的样本外健康受试者子集(测试数据,绿色,N = 14k)上评估模型的通用性。在患有脑部疾病的受试者(粉红色)的现有数据上评估模型识别确诊受试者的能力。B. 训练数据产生脑部测量值规范分布的估计值(平均值 +/- 2 SD),这确定了脑部测量值的规范范围并允许识别异常值。C. 脑功能量化。我们旨在估计 rsfMRI FC 的规范模型,该模型计算为每对 ICA 成分/脑区域的时间序列的皮尔逊相关性。 D. FUNCOIN 在训练组中确定两个投影(g 1 ,g 2 ),使得它们的量级遵循(二维)线性模型(取对数后,参见方法)。个体(样本外)受试者偏差确定为 Z 分数(绿点和注释)。
健康相关体能包括心血管耐力、肌肉力量、柔韧性和身体组成等要素,而技能相关体能则侧重于敏捷性、平衡性、协调性、力量、反应时间和速度等能力。2 虽然两者对于整体身体表现和幸福感都至关重要,但健康相关体能是健康生活方式的基础,而技能相关体能则可提高运动表现和日常生活中的功能能力。3 有多种测试可用于评估健康相关体能要素,每种测试都针对特定的身体属性。例如,哔哔声测试通过要求参与者以越来越快的速度在标记之间奔跑来测量心血管耐力,而俯卧撑则通过让参与者同时做多个动作来评估肌肉力量。