XiaoMi-AI文件搜索系统
World File Search Systemsizes
CHI 分型实验效果大小的元分析
[1] Xiaojun Bi、Barton A. Smith 和 Shumin Zhai。2010 年。准 Qwerty 软键盘优化。在 SIGCHI 计算机系统人为因素会议论文集（美国佐治亚州亚特兰大）（CHI '10）。美国计算机协会，纽约，纽约州，美国，283–286 页。https://doi.org/10.1145/1753326.1753367 [2] Stephane Champely、Claus Ekstrom、Peter Dalgaard、Jeffrey Gill、Stephan Weibelzahl、Aditya Anandkumar、Clay Ford、Robert Volcic、Helios De Rosario 和维护者 Helios De Rosario。[nd]。软件包“pwr”。([nd])。[3] Mike WL Cheung。 2014. 使用三级荟萃分析对依赖效应大小进行建模：一种结构方程建模方法。《心理方法》19，2（2014），211。[4] Andy Cockburn、Carl Gutwin 和 Alan Dix。2018. 不再 HARK：关于 CHI 实验的预注册。在 2018 年 CHI 计算机系统人为因素会议论文集（加拿大魁北克省蒙特利尔）（CHI '18）。美国计算机协会，美国纽约州纽约，1-12。https://doi.org/10.1145/3173574.3173715 [5] Jacob Cohen。1988. 行为科学的统计功效分析。（第 2 版）。Taylor & Francis 有限公司。[6] Geoff Cumming。 2013. Cohen 的 d 需要易于解释：对 Shieh (2013) 的评论。行为研究方法 45, 4 (2013)，968–971。[7] Geoff Cumming 和 Robert Calin-Jageman。2016. 新统计学导论：估计、开放科学及其他。劳特利奇。[8] Mark Dunlop 和 John Levine。2012. 触摸屏键盘的多维帕累托优化，以提高速度、熟悉度和改进拼写检查。在 SIGCHI 计算机系统人为因素会议论文集（美国德克萨斯州奥斯汀）（CHI '12）中。计算机协会，美国纽约州纽约，2669–2678。 https://doi.org/10.1145/2207676.2208659 [9] Alexander Eiselmayer、Chat Wacharamanotham、Michel Beaudouin-Lafon 和 Wendy E. Mackay。2019 年。Touchstone2：一种用于探索人机交互实验设计权衡的交互式环境。在 2019 年 CHI 计算机系统人为因素会议（英国苏格兰格拉斯哥）（CHI '19）论文集上。美国计算机协会，纽约，纽约州，美国，1-11。https://doi.org/10.1145/3290605.3300447 [10] Franz Faul、Edgar Erdfelder、Axel Buchner 和 Albert-Georg Lang。2009 年。使用 G* Power 3.1 进行统计功效分析：相关和回归分析检验。行为研究方法 41，4（2009 年），1149–1160。[11] Anna Maria Feit、Daryl Weir 和 Antti Oulasvirta。2016 年。我们如何打字：日常打字中的动作策略和表现。 2016 年 CHI 计算机系统人为因素会议论文集（美国加利福尼亚州圣何塞）(CHI '16)。美国计算机协会，纽约，纽约州，美国，4262–4273。https://doi.org/10.1145/2858036.2858233 [12] Leah Findlater 和 Jacob Wobbrock。2012 年。个性化输入：通过自动适应改进十指触摸屏打字。2016 年 SIGCHI 计算机系统人为因素会议论文集（美国德克萨斯州奥斯汀）(CHI '12)。美国计算机协会，纽约，纽约州，美国，815–824。 https://doi.org/10.1145/2207676.2208520 [13] Leah Findlater、Jacob O. Wobbrock 和 Daniel Wigdor。2011 年。在平板玻璃上打字：检查触摸表面上的十指专家打字模式。在 SIGCHI 计算机系统人为因素会议论文集（加拿大不列颠哥伦比亚省温哥华）（CHI '11）。计算机协会，美国纽约州纽约，2453–2462。https://doi.org/10.1145/1978942.1979301 [14] Mayank Goel、Leah Findlater 和 Jacob Wobbrock。2012 年。WalkType：使用加速度计数据适应移动触摸屏文本输入中的情境障碍。 SIGCHI 计算机系统人为因素会议 (美国德克萨斯州奥斯汀) (CHI '12) 论文集。美国计算机协会，纽约，纽约州，美国，2687–2696 页。https://doi.org/10.1145/2207676.2208662 [15] Aakar Gupta 和 Ravin Balakrishnan。2016 年。DualKey：通过手指识别实现微型屏幕文本输入。2016 年 CHI 计算机系统人为因素会议 (美国加利福尼亚州圣何塞) (CHI '16) 论文集。美国计算机协会，纽约，纽约州，美国，59–70 页。 https://doi.org/10.1145/2858036.2858052 [16] M. Harrer、P. Cuijpers、TA Furukawa 和 DD Ebert。2019 年。使用 R 进行元分析：实践指南。PROTECT Lab Erlangen（2019 年）。
插件混合电动汽车的最佳电池尺寸
插件杂交电动汽车（PHEV）最近已被引入全球市场。他们提供大量的廉价电动驾驶，而无需大型昂贵电池。然而，对于某些驾驶员或特定驾驶驾驶员的驾驶员组，哪种电池尺寸是最佳的，通常很难回答。在这里，我们通过分析最小化驾驶员的总拥有成本，来得出任何驾驶发电和诸如燃料和电池成本之类的最佳电池大小的明确公式。我们的结果应用于现实的个体驾驶程序以及德国驾驶程序的分布（来自大规模调查），并且还发现与同一驾驶专业文件的完全数值优化非常吻合。使用右尺寸的电池，Phevs可以更轻松地捕获市场份额。目前的结果可以直接应用，以找到其他国家人口或驾驶员组的最佳PHEV电池大小。
学习有关服务和份量的大小 - 糖尿病
您选择吃的部分（例如2杯谷物）可能会超过1个，如食品标签上所列（例如1杯谷物）。这就是为什么它有助于测量或称量您吃的食物的原因。因为食品标签的值是基于份量的，因此您需要知道1坐时吃多少份。
测试样本大小和确定测试失败（...
依靠 ENERGY STAR 标签做出购买决定的消费者希望他们购买的产品符合 ENERGY STAR 要求。EPA 已制定计划测试要求以满足消费者的期望，并确保合格型号的所有产品（无论制造和测试差异如何）都符合 ENERGY STAR 性能要求。对于目前受联邦测试方法约束的某些产品类别，ENERGY STAR 规范允许进行符合这些测试要求的测试，这些测试要求要求测试由不少于两个产品组成的样本，并使用统计方法确定每个基本型号的认证等级。认识到资格认证样本量方法的这种差异，EPA 和 DOE 要求对产品进行验证测试，测试方式与资格认证测试方式一致，使用以下方法之一：
脊椎动物脑大小的扩展父母的配置和变化
1动物社会生态学系，麦克斯·普朗克动物行为研究所，德国康斯坦茨，2进化人类学系，苏黎世大学，苏黎世，瑞士，瑞士3，进化生物学与环境研究系，苏黎世大学，苏黎世大学，苏黎世，苏黎世，瑞士，瑞士，瑞士，瑞士国的发展和进化研究小组，梅克斯，麦克斯，麦克斯，麦克斯，麦克斯，麦克斯，麦克斯。 5新南威尔士大学生物学，环境与地球科学学院进化与生态研究中心，澳大利亚悉尼，6个环境科学研究所； Jagiellonian University，Krakow，波兰，康斯坦茨大学生物学系7，德国康斯坦茨大学，德国康斯坦茨大学，集体行为高级研究中心，康斯坦茨大学，德国康斯坦茨大学，9号集体行为，9号，麦克斯·普兰克（Max Planck
多变量 BWAS 可以用中等大小的样本进行复制
全脑关联研究 (BWAS) 将个体的表型特征差异与大脑结构和功能的测量结果关联起来，在过去 30 年中已成为连接心智和大脑的主要方法。单变量 BWAS 通常分别测试数万到数十万个大脑体素，而多变量 BWAS 则将跨大脑区域的信号整合到预测模型中。单变量 BWAS 存在许多问题，包括缺乏能力和可靠性，以及无法解释分布式神经回路中嵌入的模式级信息 1–4 。多变量预测模型解决了许多这些问题，并为提供基于大脑的行为和临床状态及特征测量提供了巨大希望 2,3 。在他们最近的论文 4 中，Marek 等人在三个大型神经影像数据集中评估了样本量对单变量和多变量 BWAS 的影响，并得出“BWAS 的可重复性需要数千个个体的样本”的总体结论。我们赞赏他们的全面分析，并且我们同意：(1) 进行单变量 BWAS 时需要大量样本，(2) 多变量 BWAS 会显示出更大的效应，因此更有说服力。Marek 等人 4 发现，多变量 BWAS 提供的样本内关联被夸大了，除非纳入数千名参与者，否则通常无法复制（即没有说服力）。这意味着发现样本的效应大小估计必然被夸大了。然而，我们区分了效应大小估计方法（样本内与交叉验证）和样本（发现与复制），并表明，通过适当的交叉验证，Marek 等人 4 在发现样本中报告的样本内膨胀可以完全消除。通过额外的分析，我们证明，在某些情况下，高质量数据集中的多变量 BWAS 效应可以用小得多的样本量复制。具体而言，将标准多元预测算法应用于人类连接组计划中的功能连接，在 6 种表型中的 5 种测试样本量为 75-500 的情况下产生了可复制的效果（图 1）。这些分析仅限于相对高质量数据集中选定的表型数量（使用单个扫描仪在年轻成年人群中测量），不应过度概括。然而，他们强调，样本量要求的关键决定因素是大脑-表型关系的真实效应大小，并且通过适当的内部验证，可以对中等规模的研究进行适当的效应大小估计和足够大的效应。Marek 等人 4 通过在“发现样本”中训练各种多元模型来评估多元 BWAS 中的样本内效应大小膨胀
延长父母抚养时间和脊椎动物大脑尺寸的变化
1 德国康斯坦茨马克斯普朗克动物行为研究所动物社会生态学系，2 瑞士苏黎世大学进化人类学系，3 瑞士苏黎世大学进化生物学和环境研究系，4 德国康斯坦茨马克斯普朗克动物行为研究所认知发展与进化研究组，5 澳大利亚悉尼新南威尔士大学生物、环境与地球科学学院进化与生态研究中心，6 波兰克拉科夫雅盖隆大学环境科学研究所，7 德国康斯坦茨大学生物系，8 德国康斯坦茨大学集体行为高级研究中心，9 德国康斯坦茨马克斯普朗克动物行为研究所集体行为系
个人身份验证的加密算法和密钥大小
权威本出版物是由NIST根据其法定责任根据《联邦信息安全现代化法》（FISMA）制定的，2014年44年4月44日。§3551et Seq。，公法（P.L.）113-283。 nist负责制定信息安全标准和准则，包括对联邦信息系统的最低要求，但是如果未经适当的联邦官员对此类系统行使政策权限的适当批准，此类标准和准则不适用于国家安全系统。 本指南与管理和预算办公室（OMB）通函A-130的要求一致。 本出版物中的任何内容都不应与法定当局根据商业部长对联邦机构的强制性和约束力的标准和指南相矛盾。 也不应将这些准则解释为改变或取代商务部长，OMB董事或任何其他联邦官员的现有当局。 非政府组织可以自愿使用本出版物，在美国不受版权。 但是，归因将受到NIST的赞赏。113-283。nist负责制定信息安全标准和准则，包括对联邦信息系统的最低要求，但是如果未经适当的联邦官员对此类系统行使政策权限的适当批准，此类标准和准则不适用于国家安全系统。本指南与管理和预算办公室（OMB）通函A-130的要求一致。本出版物中的任何内容都不应与法定当局根据商业部长对联邦机构的强制性和约束力的标准和指南相矛盾。也不应将这些准则解释为改变或取代商务部长，OMB董事或任何其他联邦官员的现有当局。非政府组织可以自愿使用本出版物，在美国不受版权。归因将受到NIST的赞赏。
