XiaoMi-AI文件搜索系统
World File Search Systemscores
碳强度（CI）得分问答1。什么是...
每个燃料都是根据二氧化碳（CO2）或温室气体（GHG）的排放量对与能量巨型（MJ）相关的排放量进行评分的。Megajoule是一个等于100万焦耳的工作或能量单位，相当于能量，可以点亮100瓦的灯泡约三个小时。燃料的碳强度（CI）得分是生产，分发和消耗燃料的各个方面。对于玉米农民来说，碳强度是分配给农作物的能源生产足迹。分数是使用经过联邦批准的G Reenhouse气体，电流的E任务和e nergy（enthologies）模型（迎接）模型及其相关工具（称为原料碳强度计算器（FD-CIC））生成的。今天，玉米的估计国家标准CI得分为29.1 GCO2E/MJ。 爱荷华州生产的玉米的 CI得分估计值低于全国平均水平，范围为25-28 GCO2E/MJ。 这是因为爱荷华州的产量高于全国平均水平，因此每英亩的蒲式耳平均能量和投入平均。 玉米原料和乙醇燃料的CI得分越低，对于寻求减少碳足迹和排放的最终用户来说，它越有吸引力。今天，玉米的估计国家标准CI得分为29.1 GCO2E/MJ。CI得分估计值低于全国平均水平，范围为25-28 GCO2E/MJ。这是因为爱荷华州的产量高于全国平均水平，因此每英亩的蒲式耳平均能量和投入平均。玉米原料和乙醇燃料的CI得分越低，对于寻求减少碳足迹和排放的最终用户来说，它越有吸引力。
扩展的颌面肌功能评分方案：有效性和可靠性
目的：口颌系统临床评估对于颌面肌功能障碍的诊断必不可少。为了获得更准确的诊断，对颌面肌功能评分评估方案（OMES 方案）（Int.J. Pediatr.Otorhinolaryngol.72 (2008) 367– 375）进行了扩展，增加了项目数量和量表幅度。本研究旨在描述用于儿童评估的扩展 OMES 方案（OMES-E）。分析了方案的有效性、检查者的可靠性和他们之间的一致性，以及该工具的灵敏度、特异性和预测值。方法：样本包括从 200 个样本中随机选择的 50 名儿童的视频记录图像，其中 25 名男孩（平均年龄 = 8.4 岁，SD = 1.8）和 25 名女孩（平均年龄 = 8.2 岁，SD = 1.7）。三位准备进行口面肌功能评估的语言治疗师作为考官 (E) 参与。OMES 和 OMES-E 协议在不同的日子用于评估。E1 评估所有图像，E2 分析记录从 1 到 25 的儿童，E3 分析记录从 26 到 50 的儿童。通过使用 Pearson 相关性检验和分半信度检验 (p < 0.05) 将工具与 OMES 协议进行比较来分析 OMES-E 的有效性。计算了线性加权 Kappa 一致性系数 (Kw 0 )、灵敏度、特异性和预测值以及 OMD 的患病率。结果：OMES 和 OMES-E 方案之间存在统计学显著相关性 (0.79 > r < 0.94, p < 0.01)，与 OMES-E 具有显著的重测相关性 (0.75 > r < 0.86, p < 0.01)，信度范围为 0.86–0.93。检查者之间的相关性和信度系数为：E1 � E2 ( r = 0.74, 0.84)，E1 � E3 ( r = 0.70, 0.83) ( p < 0.01)。中等和良好强度的 Kw 0 系数占主导地位。OMES-E 协议显示平均敏感度 = 0.91、特异性 = 0.77、阳性预测值 = 0.87 和阴性预测值 = 0.85。OMD 的平均患病率为 0.58。结论：OMES-E 协议对于颌面肌功能评估有效且可靠。� 2010 Elsevier Ireland Ltd. 保留所有权利。
diffustats：用于计算生物网络基于扩散的分数
标签传播方法是构成生物学的标准和无处不在的程序，用于为分子实体提供背景。节点标签可以从基因表达，全基因组关联研究，蛋白质DO或代谢组学分析中得出，并传播给其邻居，通过先前的注释知识有效地平滑得分并优先考虑新颖的候选者。但是，定义分化过程时，有几种设置需要调整，包括扩散内核，标签的数字编码以及分数的统计归一化的选择。这些设置可能会对结果产生很大的影响，目前尚无软件在一个地方实施其中的许多软件来筛选其在兴趣的应用中的性能。该小插图呈现差异，这是一个带有扩散核和分数集合的R包装，以及对归一化分数的平行置换分析，可同时简化对几组分子实体的分析。
认知测试的得分随选择个人数字设备
摘要基于移动和网络的心理学研究是可用于科学研究的工具集的宝贵补充，可减少研究参与的后勤障碍，并允许招募更大和更多样化的参与者群体。但是，这是以对参与者使用的技术的控制为代价的，这可以将新的可变性来源引入研究结果。在这项研究中，我们检查了59,587（研究1）和3818（研究2）Testmybrain.org的访问者，基于Web的认知测试平台的访问者，在59,587和3818（研究2）访问者中，在定时和未定的认知测试中的测量性差异。控制年龄，性别，教育背景和在不合时宜的词汇测试中的认知表现，移动设备的使用者，尤其是Android智能手机的用户在反应时间测试的性能要比笔记本电脑和台式计算机的用户慢得多，这表明设备延迟影响测量的反应时间的差异会影响。用户界面不同的设备用户（例如屏幕尺寸，鼠标与触摸屏）在需要快速反应或精细运动运动的测试中测得的性能中还显示出显着差异（p <0.001）。通过量化设备差异对在线环境中测量认知性能的贡献，我们希望提高基于移动和网络的认知评估的准确性，从而更有效地使用这些方法。
表 es.b.1 妇女、商业和法律 1.0 和 2.0 分数
资料来源：妇女、商业与法律 2024 数据库。注：彩色圆点表示分数在以下范围内：>75–100；>50–75；>25–50；0–25。“—”表示由于回复数量不足，无法获得 WBL 2.0 专家意见分数。经济体根据 WBL 1.0 法律分数排序。标有绿色对勾 (✔) 的经济体由于在一个或多个领域进行了改革，其 WBL 1.0 法律分数有所提高。标有星号 (*) 的经济体由于新信息和编码一致性而进行了修订，其 WBL 1.0 法律分数有所变化。WBL = 妇女、商业与法律。
面向太空网络风险管理的原则性风险评分
摘要 — 太空是一个对人类至关重要的新兴领域。相应地，太空网络安全是一个新兴领域，有许多研究工作要做。为了帮助太空网络安全从业者更好地管理网络风险，航空航天公司在其太空攻击研究和战术分析 (SPARTA) 框架中提出了名义风险评分 (NRS)，可用于量化与太空基础设施和系统相关的网络风险。虽然 NRS 旨在供从业者采用，但它尚未根据真实场景进行分析，这使其有效性受到质疑。在本文中，我们通过针对卫星的真实网络攻击场景分析了 NRS，并描述了 NRS 的优势、劣势和适用性。表征促使我们提出一组期望属性来指导未来 NRS 的设计。作为朝这个方向迈出的第一步，我们进一步提出了一种形式化方法，作为设计具有这些期望属性的未来 NRS 的基准。
途径特异性多基因风险评分对阿尔茨海默氏病对
Yuexuan Xu 1，Eva Vasiljevic 1，Yuetiva K. Deming 2，Erin M. Jonaitis 5，Rebecca L. Koscik 2，Carol A.
用于组合和表示无人空中系统的非上下文自主分数的方法
摘要 - 测量机器人系统的总体自主分数需要组合系统的一组相关方面和特征，这些方面和特征可能以不同的单位，定性和/或不一致来测量。在本文中，我们建立在现有的非上下文自治框架的基础上，该框架衡量并结合了系统的自治级别和组件性能作为整体自主分数。我们检查了几种组合特征的方法，显示了某些方法如何找到相同数据的不同排名，并采用加权产品方法来解决此问题。此外，我们介绍了非上下文自主权坐标，并代表具有自主距离的系统的整体自主权。我们将我们的方法应用于一组七个无人机系统（UAS），并获得其绝对自主分数以及相对于最佳系统的相对得分。
结构结构和大脑网络效率链接多基因分数
图1神经认知数据和统计分析的处理步骤。首先，使用T1加权解剖图像来计算皮质表面积和皮质厚度的估计值。第二，根据HCPMMP地图集，将T1加权的解剖图像分为每个半球180个皮层结构，每个半球8个皮层结构。第三，将所得的遮罩线性转化为静止状态和扩散加权图像的天然空间。对于扩散加权图像，使用上述面膜作为种子和靶区域进行概率纤维跟踪。对于静止状态图像，计算了所有大脑区域的平均粗体时间课程之间的相关性。第四，结构和功能网络构建。边缘通过概率纤维拖拉术或粗体信号相关的结果加权。第五，这些网络用于计算全球效率测量RSFMRI E和DWI E以及淋巴结效率测量RSFMRI EI和DWI EI。第六，针对脑度量和PG的每种组合进行了全球调解分析。 在此，由I-S-T 2000 R总分量化的通用智能用作因变量。 自变量是两个PG（PGS EA和PGS GI）之一。 全脑量度（总表面积，平均皮质厚度，DWI E或RSFMRI E）用作介体。 最后，针对大脑指标和PG的每种组合，通过弹性网状回归进行了特定区域的多媒体分析。第六，针对脑度量和PG的每种组合进行了全球调解分析。在此，由I-S-T 2000 R总分量化的通用智能用作因变量。自变量是两个PG（PGS EA和PGS GI）之一。全脑量度（总表面积，平均皮质厚度，DWI E或RSFMRI E）用作介体。最后，针对大脑指标和PG的每种组合，通过弹性网状回归进行了特定区域的多媒体分析。再次，I-S-T 2000 R总分是因素，PGS是自变量。表面积，皮质厚度，DWI EI或每个HCPMMP区域的RSFMRI EI用作介体。