XiaoMi-AI文件搜索系统
World File Search Systemsubsample
人机协作使基于文本的点对点心理健康支持中的对话更具同理心
人工智能 (AI) 的进步使系统能够增强并与人类协作，以执行简单的机械任务，例如安排会议和检查文本语法。然而，这种人机协作对更复杂的任务（例如进行共情对话）提出了挑战，因为人工智能系统在处理复杂的人类情感方面面临困难，并且这些任务具有开放性。在这里，我们专注于同理心对成功至关重要的同理心点对点心理健康支持，并研究人工智能如何与人类协作以在文本、在线支持对话中促进同理心。我们开发了 HAILEY，这是一种 AI-in-the-loop 代理，可提供即时反馈，帮助提供支持的参与者（同理心支持者）对寻求帮助的人（支持寻求者）做出更具同理心的回应。我们在大型在线点对点支持平台 TalkLife (N = 300) 上对现实世界的同伴支持者进行了一项非临床随机对照试验，以评估 HAILEY。我们表明，我们的人机协作方法使同伴之间的对话同理心总体上提高了 19.6%。此外，我们发现，在自我认定为在提供支持方面遇到困难的同伴支持者子样本中，同理心增加了 38.9%。我们系统地分析了人机协作模式，发现同伴支持者能够直接和间接地使用人工智能反馈，而不会过度依赖人工智能，同时报告反馈后的自我效能有所提高。我们的研究结果表明，反馈驱动的 AI 在环写作系统具有帮助人类完成开放式、社交性和高风险任务（例如同理心对话）的潜力。
肘部角度对生物电阻抗分析信度和效度的影响。
手对手生物电阻抗 (HH BIA) 是一种低成本的估算体脂百分比 (%BF) 的方法。BIA 方法始终可靠，但其有效性仍存在疑问。我们观察到，在使用 HH BIA 时，肘部位置会导致 %BF 测量值始终不同，因此引发了一个问题：肘部角度是否会影响使用 HH BIA 得出的测量值的有效性？本研究旨在评估肘部位置（即 IN=弯曲至 90° 对比 OUT=完全伸展）对 44 名男性和 24 名女性健康成年人（年龄 = 21±2 岁，BMI = 23±3）的 HH BIA 可靠性的影响。另一个目的是使用空气置换体积描记法 (BOD POD ® ) 作为标准测量，评估 HH BIA %BF 对一组受试者（n=12）的有效性。对于 HH BIA，IN 位置比 OUT 位置低 ~4%BF（p=0.05，效应大小 =0.67）。在 IN [组内相关系数 (ICC)=0.99，变异系数 (CV)=2.99%] 和 OUT（ICC=0.99，CV=1.48%）条件下两次试验的 %BF 测量值均高度可靠。在子样本中，OUT（18.3±6.7 %BF）位置超过了 IN（14.5±7.4 %BF）和 BOD POD ®（16.1±7.8 %BF）测量值（p<0.05）；但是，IN 和 BOD POD ® 的 %BF 测量值没有差异（p=0.21）。这些发现支持了 HH BIA 在两个肘部位置都是可靠的测量方法；然而，根据肘部位置的不同，%BF 估计值与标准测量值存在很大差异（~4%）。我们发现 OUT 位置会高估标准 %BF。进一步的研究可能会揭示 HH BIA 估计 %BF 的最佳肘部角度位置。
葡萄糖和蔗糖对健康人类认知的影响
上下文：证据表明，血浆葡萄糖水平可能影响认知能力，但这尚未系统地审查和量化。目的：本综述的目的是研究葡萄糖和蔗糖与安慰剂相比对健康人类认知的潜在影响。数据来源：截至2019年12月，搜索了电子数据库和网络科学。手动检查选定文章的参考列表。研究选择：比较葡萄糖或蔗糖与安慰剂的随机对照试验或对认知作用的跨越试验。数据提取：2位作者独立选择了潜在的合格文章。通过Cochrane协作工具评估了偏见的风险。标准化的平均差异（SMD）是从随机效应的荟萃分析中获得的，用于报告相同结果的研究子样本。结果：确定了37次试验，其中35个研究了与安慰剂对认知有关的葡萄糖消耗的影响。两项研究发现葡萄糖对认知没有影响，而其他研究则发现结果不同。37项研究中只有3项研究了蔗糖摄入的影响，报告结果混合了。荟萃分析显示，与对照组相比，葡萄糖的显着积极作用，但仅当在平行设计研究中使用语言表达测试（直接单词召回）（SMD¼0.61; 95％CI，0.20-1.02; i2¼0％）。二十四个研究被归类为在选择程序中具有高偏见的高风险。结论：有限的证据表明，葡萄糖对执行口头任务的个体的有益作用。需要进行标准化认知测量值的高质量试验，以更好地确定葡萄糖或蔗糖对认知的影响。系统审查注册：Prospero注册号CRD42019122939。
原创研究年轻人夜间大脑活动指纹状模式也出现在老年人身上
目的：定量睡眠脑电图被视为脑电图“指纹”，即它在个体内稳定但个体之间有差异。然而，到目前为止，几乎所有针对这方面的研究都是在年轻男性中进行的。因此，很想知道睡眠脑电图指纹概念是否适用于男女老年人样本。患者和方法：从三个不同子样本（每个子样本 30 名健康个体）获得的数据被重新用于当前的二次分析（年轻男性（YM）= 25.6 ± 2.4 岁，老年男性（EM）= 69.1 ± 5.5 岁，老年女性（EW）= 67.8 ± 5.7 岁）。个体在睡眠实验室中睡了十次，总共进行了 900 个研究夜晚。然而，为了避免因干预相关的睡眠脑电图功率谱变化而导致的误解，仅包括没有任何干预的 3 个假性睡眠夜，将数据集减少到 270 个。为了确定假性睡眠夜对之间 NREM 睡眠脑电图功率谱的稳定性，分别按样本计算受试者内和受试者之间的曼哈顿距离测量值。结果：无论是子样本还是假性睡眠夜对，在受试者内功率谱比较中都观察到最低距离测量值，即最大相似度（EW 的平均距离测量值范围为 3.82 至 4.06，EM 的平均距离测量值范围为 3.55 至 3.63，YM 的平均距离测量值范围为 3.04 至 3.62）。此外，样本之间的个体内相似度没有显着差异。受试者之间的功率谱距离测量值明显较大（EW 的平均距离测量值范围为 12.95 至 13.15，EM 的平均距离测量值范围为 12.21 至 12.57，YM 的平均距离测量值范围为 10.33 至 10.78），且年轻人和老年人之间存在显著差异。结论：本研究结果支持以下观点：睡眠脑电图功率谱是一种类似于个人特征的特征，直到老年仍保持独特性。这一发现可能有助于提高测量干预效果的灵敏度。关键词：睡眠脑电图功率谱、衰老与睡眠、睡眠脑电图的遗传性、脑电图指纹、类似于特征的定量脑电图特征、睡眠脑电图的个体性
记录布局
FieldID FieldName FieldLabel 行 列 1 CHILDID 儿童识别号 1 1 - 8 2 PARENTID 父母识别号 1 9 - 16 3 PSUID 原始样本 PSU ID 1 17 - 23 4 S1_ID 2010 年秋季学校识别号 1 24 - 27 5 S2_ID 2011 年春季学校识别号 1 28 - 31 6 S3_ID 2011 年秋季学校识别号 1 32 - 35 7 S4_ID 2012 年春季学校识别号 1 36 - 39 8 S5_ID 2012 年秋季学校识别号 1 40 - 43 9 S6_ID 2013 年春季学校识别号 1 44 - 47 10 S7_ID 2014 年春季学校识别号 1 48 - 51 11 S8_ID 2015 年春季学校识别号 1 52 - 55 12 S9_ID 2016 年春季学校识别号 1 56 - 59 13 T1_ID 2010 年秋季教师识别号 1 60 - 66 14 T2_ID 2011 年春季教师识别号 1 67 - 73 15 T3_ID 2011 年秋季教师识别号 1 74 - 80 16 T4_ID 2012 年春季教师识别号 1 81 - 87 17 T5_ID 2012 年秋季教师识别号 1 88 - 94 18 T6_ID 2013 年春季教师识别号 1 95 - 101 19 T7_ID 2014 年春季教师识别号 1 102 - 108 20 T8R_ID 2015 年春季阅读教师识别号 1 109 - 115 21 T8RCLASS 2015 年春季阅读教师课程链接 ID 1 116 - 118 22 T8M_ID 春季2015 年数学教师识别号 1 119 - 125 23 T8MCLASS 2015 年春季数学教师课程链接 ID 1 126 - 128 24 T8S_ID 2015 年春季科学教师识别号 1 129 - 135 25 T8SCLASS 2015 年春季科学教师课程链接 ID 1 136 - 138 26 T9R_ID 2016 年春季阅读教师识别号 1 139 - 145 27 T9RCLASS 2016 年春季阅读教师课程链接 ID 1 146 - 148 28 T9M_ID 2016 年春季数学教师识别号 1 149 - 155 29 T9MCLASS 2016 年春季数学教师课程链接 ID 1 156 - 158 30 T9S_ID 2016 年春季科学教师识别号 1 159 - 165 31 T9SCLASS 2016 年春季科学教师课程链接 ID 1 166 - 168 32 D2T_ID 2011 年春季特殊教育教师识别号 1 169 - 175 33 D4T_ID 2012 年春季特殊教育教师识别号 1 176 - 182 34 D6T_ID 2013 年春季特殊教育教师 ID 号 1 183 - 189 35 D7T_ID 2014 年春季特殊教育教师 ID 号 1 190 - 196 36 D8T_ID 2015 年春季特殊教育教师 ID 号 1 197 - 203 37 D9T_ID 2016 年春季特殊教育教师 ID 号 1 204 - 210 38 CC_ID 儿童保育提供者识别号 1 211 - 218 39 TWIN_ID 重点儿童双胞胎的 CHILDID 1 219 - 226 40 X3DEST X3 移至 2011 年秋季目的地学校 1 227 - 228 41 X3FALLSMP X3 秋季子样本参与者 1 229 - 230 42 X4DEST X4 移至 2012 年春季目的地 SCHL 1 231 - 232 43 X5DEST X5 移至 2012 年秋季目的地 SCHL 1 233 - 234 44 X5FALLSMP X5 秋季子样本参与者 1 235 - 236 45 X6DEST X6 移至 2013 年春季目的地 SCHL 1 237 - 238 46 X7DEST X7 移至 2014 年春季目的地 SCHL 1 239 - 240 47 X8DEST X8 移至 2015 年春季目的地 SCHL 1 241 - 241 48 X9DEST X9 移至 2016 年春季目的地 SCHL 1 242 - 242 49 W1C0 W1C1 全样本 WGT 1 243 - 253 50 W1A0 W1 A1 全样本 WGT 1 254 - 264 51 W1T0 W1 T1 全样本 WGT 1 265 - 275 52 W1P0 W1 P1 全样本 WGT 1 276 - 286 53 W2P0 W2 P2 全样本 WGT 1 287 - 297 54 W12P0 W12 (P1)(P2) 全样本 WGT 1 298 - 308
IACOB项目
上下文。蓝色超级巨人（BSG）是理解大型恒星演变的关键对象，在星系的演化中起着至关重要的作用。然而，理论预测与经验观察之间的差异已经打开了尚未回答的重要问题。研究这些物体具有统计学意义和公正的样本可以帮助改善情况。目标。我们对IACOB光谱数据库的大量银河发光蓝星（其中大多数是BSG）进行了均匀且全面的定量光谱分析，从而提供了重要的参数，以改进和改善理论进化模型。方法。我们使用IACOB-BROAD得出了投影的旋转速度（V SIN I）和大型膨出（V MAC），这与傅立叶变换和线条型拟合技术相结合。我们将高质量的光谱与使用F astwind代码计算的大规模恒星大气的最新模拟进行了比较。这种比较使我们得出有效温度（T e FF），表面重力（log g），微扰动（ξ），硅和氦气的表面丰度，并通过风能强度参数（log Q）评估恒星风的相关性。结果。，我们为迄今为止迄今为止的最大的银河发光O9样品提供了上述量的上述量的估计和相关的不确定性，该样品由光谱分析，包括527个目标。我们发现，在T eff≈21kk处的恒星相对数量明显下降，与低于该温度的快速旋转恒星的稀缺相吻合。我们推测此特征（大致相结合到B2光谱类型）可能大致描绘了在15至85 m⊙之间的质量范围内经验终端时代主序列的位置。通过研究O恒星和BSG的V SIN I分布的主要特征作为T E FF的函数，我们提出，将角动量从恒星芯到表面运输的有效机制可能沿高质量结构域中的主要序列运行。我们发现ξ，v MAC和光谱光度L（定义为T 4 E FF / g）之间的相关性。我们还发现，样品中不超过20％的恒星具有清晰的氦气，并表明该特定子样本的起源可能是二元进化。我们没有发现在风强度区域朝向较低的情况下，风强度增加的明确经验证据。
2024 年进度报告 - ISPAD-JDRF 研究奖学金
背景：患有 1 型糖尿病 (T1D) 的青少年由于血糖波动问题，罹患肾衰竭、视力丧失、心脏病和过早死亡的风险增加。连续血糖监测 (CGM) 系统代表了糖尿病技术的一项重要进步，与自我监测血糖相比具有显著优势，并有可能优化血糖管理。尽管取得了这些进展，但患有 T1D 的青少年（包括洛杉矶儿童医院 (CHLA) 的患者）仍未能达到推荐的血糖目标，这凸显了测试旨在提高技术应用的创新糖尿病教育计划的机会，例如 CGM 学院干预，这是英国 (UK) 开发的课程，教授通过 CGM 为患有 T1D 的青少年教授渐进式动态血糖管理的策略。目的：(A1) 确定 CHLA CGM 学院教育课程向患有 T1D 的青少年教授动态血糖管理策略的可行性。我们假设 CHLA CGM 学院课程将受到参与者的广泛接受。 (A2) 评估 CHLA CGM 学院对从基线到 6 个月血糖变异系数 (CV) 变化的影响。我们假设 CHLA CGM 学院的参与者将获得与标准糖尿病教育 (SDE) 组相同或更好的 CV 百分比变化，同时接受更少的糖尿病教育。 (A3) 探索参与者的血糖结果与糖尿病困扰、糖尿病家庭责任和糖尿病教育小时数之间的关系。方法：针对符合 CGM 治疗条件的 8-18 岁 T1D 青少年，提出了一项单一机构的随机对照试验 (RCT)。讲英语和西班牙语的青少年 (N=90) 将按 1:1 随机分配接受 CHLA CGM 学院或 SDE，共 4 周，随后进行 6 个月的临床审查。CGM 学院组的参与者将可以访问在线工作簿和视频，此外还可以与糖尿病护理和教育专家进行深入的虚拟会议，讨论由 CGM 数据提供的动态血糖管理策略。 CGM 学院分支的一个子样本（n=16）将在研究结束时参加焦点小组。所有参与者将完成关于糖尿病家庭责任和糖尿病困扰的测量，研究团队将收集基线、4 周和 6 个月的糖尿病教育小时数。研究团队将收集人口统计学特征、基线和 6 个月的糖尿病病史，以及第 1、2、4 周和 6 个月的图表审查中的血糖指标。分析：为了评估 A1，我们将报告流失率和定性焦点小组数据的主题分析。为了评估 A2，我们将为血糖变异系数变化差异构建一个 95% 可信区间，以确定 CGM Academy 组的变化是否不低于我们预先指定的非劣效性边界值，低于 SDE 组的变化。为了评估 A3，我们将使用广义线性模型来探索协变量对血糖指标变化的影响。为了确定时间（基线、4 周、6 个月）和组别（CGM vs SDE）对感知糖尿病困扰和感知糖尿病家庭责任的影响，我们将使用重复测量方差分析。
报告进度2024 -JDRF奖学金搜索
Background: Youth with type 1 diabetes (T1D) are at increased risk for kidney failure, vision loss, heart disease, and premature mortality due to challenges with glycemic excursions.连续葡萄糖监测（CGM）系统代表了糖尿病技术的重要进步，其优势比自我监测的血糖具有显着的优势，并且有可能优化血糖管理。尽管有这些进展，但具有T1D的青年，包括洛杉矶儿童医院（CHLA）的患者，未能实现推荐的血糖靶标，突显了测试旨在测试创新糖尿病教育计划的机会，该计划旨在增加技术吸收，例如CGM Academy Insviention，一项在英国王国（UK）培训策略的CGM Academy Interviention，一项在英国的策略中开发了一项促进策略，该策略是在逐步促进了逐步促进的策略。目的：（A1）确定CHLA CGM学院教育课程的可行性，以教授T1D动态葡萄糖管理策略的青年。我们假设CHLA CGM学院课程将受到参与者的良好认可。（A2）评估CHLA CGM学院对葡萄糖变异系数（CV）的变化的影响。我们假设CHLA CGM学院的参与者将与标准糖尿病教育（SDE）组相同或更高的CV变化，同时使用较少的糖尿病教育。（A3）探索参与者与糖尿病困扰，糖尿病家庭责任的血糖结果与糖尿病教育小时数之间的关系。方法：为8-18岁的T1D年轻人有资格接受CGM治疗的单一机构，随机对照试验。英语和讲西班牙语的青年（n = 90）将被随机分配1：1，以接收CHLA CGM Academy或SDE，总计4周，然后进行6个月的临床审查。CGM学院部门的参与者还可以访问在线工作簿和视频，除了与糖尿病护理和教育专家进行深入的虚拟会议外，讨论由CGM数据告知的动态葡萄糖管理策略。CGM学院部门的一个子样本（n = 16）将在研究结束时参加焦点小组。所有参与者将完成有关糖尿病家庭责任和糖尿病困扰的措施，研究团队将在基线，4周和6个月时收集糖尿病教育时间的数量。研究团队将收集人口特征，基线时的糖尿病历史和6个月的糖尿病历史，以及第1、2和4周的图表审查以及6个月的血糖指标。分析：要评估A1，我们将报告损耗率和定性焦点小组数据的主题分析。为了评估A2，我们将构建95％CI，以确定CGM Academy组的变化变化的变化差异是否不如我们预先指定的非效率差距到SDE组变化的较低。要评估A3，我们将使用广义线性模型来探索协变量对血糖指标变化的影响。确定时间（基线，4周，6个月）和组（CGM与SDE）对感知到的糖尿病困扰和感知到的糖尿病家庭责任的影响，我们将使用重复的措施ANOVA。
季度零售电子商务销售额第三季度...
调查描述 零售电子商务销售额是根据月度零售贸易调查 (MRTS) 中用于估计初步和最终美国零售额的相同样本估算的。美国零售额预估是根据 MRTS 样本的子样本估算的，该子样本的规模不足以衡量零售电子商务销售额的变化。采用分层简单随机抽样方法选择大约 10,800 家零售公司（不包括食品服务），然后对其销售额进行加权和基准测试，以代表超过 200 万家零售公司的全部范围。MRTS 样本基于概率，代表所有从事北美行业分类系统 (NAICS) 定义的零售活动的雇主公司。覆盖范围包括所有零售商，无论他们是否从事电子商务。在线旅行服务、金融经纪人和交易商以及票务销售机构不属于零售，也不包括在总零售或零售电子商务销售额估计中。非雇主通过与之前的年度调查估计进行基准测试来表示，其中包括基于行政记录的非雇主销售额。电子商务销售额包含在每月总销售额估计中。MRTS 样本会持续更新，以考虑新的零售雇主企业（包括通过互联网销售的企业）、企业倒闭以及零售业务领域的其他变化。公司每月都会被要求报告电子商务