XiaoMi-AI文件搜索系统
World File Search System使用频率
错误分析中的表面策略分类法
摘要：本研究运用杜莱的表面策略分类法对大学生在简答题中出现的语法错误进行了分析，并确定了：使用一般现在时和一般过去时时常见的语法错误；BSED 和 BEED 学生语法错误的显著差异；错误来源；两组学生语法错误来源的显著差异。本研究采用描述性评价性推理研究方法。使用频率计数、百分比、等级和卡方对结果进行统计处理、分析和解释。研究结果表明，在使用一般现在时时出现的四种常见语法错误中，错误形成是最常见的错误。其次是遗漏、添加和顺序错误。对于使用一般过去时时出现的常见错误，错误形成是最常见的错误。其他错误是由于遗漏、顺序错误和添加造成的。大二学生在使用一般现在时和一般过去时时犯的错误大部分源于语际迁移、语内迁移和沟通策略。结果显示，大二学生在使用一般现在时和一般过去时时犯的语法错误来源没有显著差异。因此，第二语言学习者会犯许多语法错误。因此，强烈建议实施拟议的强化培训计划，以满足 21 世纪教育的需求。
MIMO- ...
摘要本文考虑使用频率调制的连续波（FMCW）信号和多输入多输出（MIMO）虚拟阵列之间的汽车雷达之间的相互减轻。在第一次，我们得出了一个空间域干扰信号模型，不仅说明了时间频的不连贯性（例如，不同的fmcw参数和时间O效应），而且还解释了较慢的时间模拟参数和时间opimo代码，并且阵列conerence conscorence Incoherence coherence coherence confuration confuration diefiration die-er-Er-Er-Ectects rand condence rances rances rad rack rad and conding rad racked and Accessinging Accessinging actinging brading actinging actinging actinging actinging rockinging brading brading。使用标准MIMO-FMCW对象信号模型使用显式干扰信号模型，我们将干扰缓解措施变成不一致的MIMO-FMCW干扰下的空间域对象检测。通过在传输和接收转向矢量空间时利用派生干扰模型的结构特性，我们通过波束成形优化得出检测器，以实现良好的检测性能，并进一步提出了该检测器的自适应版本，以增强其实际适用性。使用分析闭合形式表达式，合成级仿真和系统级模拟确认我们对所选基线方法的效果的效果。
外行人对大语言模型和搜索引擎健康查询的使用和态度：调查研究
背景：外行可以通过大语言模型（LLM）（例如ChatGpt和搜索引擎（例如Google））轻松访问健康信息。搜索引擎改变了健康信息访问，LLMS为回答Laypeople的问题提供了新的途径。目标：我们旨在比较对LLM和搜索引擎的使用频率和态度，以及它们的比较相关性，有用性，易用性以及对健康查询的响应。方法：我们进行了筛查调查，以比较寻求健康信息的LLM用户和非用户的人口统计学，并通过逻辑回归分析结果。邀请筛查调查的LLM用户进行后续调查，以报告他们寻求的健康信息的类型。我们使用ANOVA和Tukey Post hoc测试比较了LLM和搜索引擎的使用频率。最后，配对样本Wilcoxon测试将LLM和搜索引擎比较了感知的有用性，易用性，可信度，感受，偏见和拟人化。结果：总计，2002年的美国参与者在多产的情况下招募了有关使用LLM和搜索引擎的筛查调查。，参与者中有52％（n = 1045）是女性，平均年龄为39岁（SD 13）年。参与者为9.7％（n = 194），12.1％（n = 242）黑色，73.3％（n = 1467）白人，1.1％（n = 22）西班牙裔，3.8％（n = 77）是其他种族和种族。此外，1913年（95.6％）使用搜索引擎查找健康查询，而LLMS的642（32.6％）。男性使用LLM的健康问题比女性更高（1.63，1.63，95％CI 1.34-1.99; p <.001）。黑色（或1.90，95％CI 1.42-2.54; p <.001）和亚洲（或1.66，95％CI 1.19-2.30; p <.01）个体的几率比白人个体更高。那些感知到健康的人（OR 1.46，95％CI 1.1-1.93; p = .01）的人比健康状况良好的人更有可能使用LLM。更高的技术能力提高了LLM使用的可能性（OR 1.26，95％CI 1.14-1.39; P <.001）。在对281名LLM用户健康的后续调查中，大多数参与者首先使用搜索引擎（n = 174，62％）来回答健康问题，但第二个最常见的第一个咨询者是LLMS（n = 39，14％）。llms被认为是有用的（p <.01）且相关性较小（p = .07），但引起了较少的负面感觉（p <.001），看起来更人性化（llm：n = 160，vs search：n = 32），被视为较小的偏见（p <.001）。信任（p = .56）和易用性（p = .27）没有差异。结论：搜索引擎是健康信息的主要来源；然而，对LLM的积极看法表明使用日益增长。未来的工作可以通过补充外部参考和限制有说服力的语言来遏制过分依赖的答案来探讨LLM信任和有用性是否得到增强。与卫生组织的合作可以帮助提高LLMS健康产出的质量。
人工智能的工程应用
20 世纪 90 年代中期，提出了两种具有里程碑意义的元启发式算法：粒子群优化和差分进化。它们的初始版本非常简单，但迅速引起了广泛关注。在过去的四分之一世纪中，这两种优化算法的数百种变体已被提出并应用于几乎所有科学或工程领域。但是，到目前为止，尚未对这两种方法的性能进行更广泛的比较。在本文中，对十种粒子群优化和十种差分进化变体进行了比较，从 20 世纪 90 年代的历史变体到 2022 年的最新变体，这些变体在众多单目标数值基准和 22 个实际问题上进行了比较。平均而言，差分进化算法明显优于粒子群优化算法。差分进化相对于粒子群优化的优势与流行度相矛盾：在文献中，粒子群优化算法的使用频率是差分进化算法的两到三倍。粒子群优化比差分进化表现更好的问题确实存在，但相对较少。虽然这个结果可能是选择特定变体、实验设置或用于比较的问题的结果，但粒子群优化变体可能需要重新考虑算法理念，以使其更具竞争力。
猪模型动物（Sus scrofa domestica）经胸超声心动图正常值
对心血管系统疾病的研究越来越多地在动物模型中进行。猪是生物医学研究中常见的模型动物。本研究的目的是确定雄性和雌性猪（Sus scrofa domestica）心脏的正常超声心动图值。本研究使用的猪为本研究中使用的猪12头，年龄为3至4个月，平均体重为55公斤（52至69公斤）。使用频率为 2.5-6.0 MHz 的相控阵探头换能器对麻醉状态下的猪进行右胸骨旁 (RPS) 长轴 (LAx) 和短轴 (SAx) 位置的经胸超声心动图检查。 RPS-SAx 位置旨在评估猪心脏左心室的形状和结构，而 RPS-LAx 位置旨在比较心室之间的尺寸并观察心脏二尖瓣的运动。超声心动图检查结果显示，可以看到猪左心室的结构有室间隔（IVS）、左心室（LV）、左心室壁（LVW）、心包（P）、乳头肌（PM）、右心室（RV）。研究结果显示，心率（HR）、舒张末期左室内径（LVIDd）、每搏输出量（SV）参数的数值在男性和女性之间表现出显著不同的结果，而其他参数的结果不显著。这些猪的正常心脏超声值可以作为以猪为动物模型进行进一步心血管研究的参考。
人工智能在物理教学中的应用
本研究考察了尼日利亚伊巴丹北部地方政府奥约州高中采用人工智能 (AI) 进行物理教学的决定因素。从伊巴丹北部地方政府随机选择的高中中随机选择了一百 (100) 名教师作为样本。物理教师人工智能采用问卷 (PTAIAQ) r=0.50 用于收集研究数据。回答了四个研究问题，并使用频率计数、百分比和平均值分析了收集的数据。结果表明，大多数物理教师认为 AI 会让他们的工作更轻松，大多数教师知道如何在物理教学中使用 AI 工具。ICT 的感知有用性是教师采用 AI 的主要预测因素。同样，结果显示感知易用性也是 AI 采用的一个重要变量。因此，建议学校或政府为教师提供相关的 AI 工具，以有效地教授物理。应激励教师使用可用的 AI 资源进行物理教学。他们应该接受充分的培训，以便能够明智地使用可用的 AI 工具/资源。学校环境、结构和组成应适应 AI。字数：211。
人工智能在尼日利亚建筑业的应用
建筑行业的独特性和固有复杂性要求使用人工智能 (AI) 来改进其流程并提高整体竞争力和绩效。本研究考察了人工智能的认知水平和应用，以提供有关尼日利亚建筑业人工智能应用状况的有用见解。采用问卷调查的定量研究设计，从尼日利亚拉各斯州拉各斯岛地区的 53 名建筑专业人士那里获取数据。专业人员包括根据有目的的抽样技术选出的工料测量师、建筑师、土木工程师、建筑商和房地产测量师。使用频率、平均值和方差分析对调查数据进行了分析。研究发现，大多数受访者都知道人工智能在建筑中的应用，无论参与者的专业隶属关系、组织类型和组织规模如何，他们的认知水平都没有差异。总体而言，在接受调查的参与者中，最常见的 AI 应用是 BIM 中的生成设计、测量和估算软件以及智能建筑中的传感器的使用。此外，设计和项目规划被发现是研究领域对 AI 最关键的需求领域。该研究强调，除了 BIM 和估算软件之外，还需要对其他 AI 应用进行投资，以提高生产力、性能并提高客户满意度。
引用张萌, 王志勇, 胡红玲. 一种利用频率和空间编码视觉目标的基于SSVEP的BCI新方法. 中国科学信息科学, 2020, 63(8): 1893
亲爱的编辑，基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）与其他类型的BCI相比，具有更高的识别准确率、与刺激的关系更可靠、信息传输速率（ITR）更高等性能，引起了研究人员的广泛关注。基于SSVEP的BCI面临的一个主要挑战是可用于编码视觉目标的频带有限。更多的视觉目标可能会带来更高的ITR。为了解决这个问题，研究人员正在尝试设计新的编码方案，包括以代码形式呈现频率刺激和在编码方案中利用联合相位和频率信息[1-3]。这些研究通过将通信框架应用于BCI取得了显著的成果。受这些研究的启发，本研究提出了一种利用频率和空间信息对视觉目标进行编码的新编码方法。我们扩展了 [ 4 ] 的编码方案，在原始空间编码方案中引入了频率信息。根据我们提出的编码方案，我们实现了一个 BCI 系统，该系统利用四个不同的频率和相对于每个频率刺激的四个不同位置呈现 16 个视觉目标。与仅在编码方案中使用频率信息或空间信息的传统 BCI 系统相比，我们的提议研究可以
使用 TimeLIME 缺陷减少工具进行实验
AI 算法在 SE 研究和实践中的使用频率越来越高。此类算法通常使用来自 SE 领域之外的数据进行委托和认证。我们是否可以假设此类算法可以“现成”使用（即无需修改）？换句话说，SE 问题是否有特殊之处可以表明使用 AI 工具的不同且更好的方法？为了回答这些问题，本文报告了使用 TimeLIME 的实验，TimeLIME 是 KDD'16 中 LIME 解释算法的变体。LIME 可以就如何更改静态代码属性以减少下一个软件版本中的缺陷数量提供建议。该版本的 LIME 使用内部加权工具来决定在这些建议中包含/排除哪些属性。TimeLIME 使用以下 SE 知识改进了该加权方案：软件以版本形式发布；对软件的不合理更改是以前版本中从未更改过的内容；因此最好使用合理的更改，即在以前版本中具有先例的更改。通过将建议限制在经常更改的属性上，TimeLIME 可以 (a) 产生更好的缺陷原因解释和 (b) 关于如何修复错误代码的更好建议。除了这些关于缺陷减少和 TimeLIME 的具体结果之外，本文更普遍的观点是，我们的社区应该更加谨慎地使用现成的 AI 工具，而无需首先应用 SE 知识。如此处所示，应用这些知识可能并不复杂。此外，一旦应用了 SE 知识，就可以显著改善系统。
选定木薯的技术采用强度...
* 通讯作者电子邮件：raufu.sanusi@phoenixuniversity.edu.ng 看待技术采用的一个适当方法是考虑采用的强度。因此，技术的采用强度是农民分配用于实践某项技术的土地面积占总土地面积的百分比。这项研究在尼日利亚奥贡州（北纬 7 o 00Ꞌ 和东经 3 o 35Ꞌ）进行，以确定农民的采用强度。采用简单随机抽样技术从研究区域选出 168 名农民。使用频率计数、百分比和皮尔逊积差相关分析数据。结果表明，技术采用强度较低。因此建议对农民进行教育并以补贴价格及时提供投入。关键词：采用、强度、土地面积、生产力、技术农业技术由不同的组成部分组成。在文献中，使用所采用的技术组件数量作为采用强度的衡量标准非常普遍（Rahelizatovo 和 Gillespie 2004；Paxton 等人 2011）。这是因为作物的产量取决于所有必需的实践和投入的使用；看待它们采用的更合适的方式是考虑采用的强度。采用强度是指在任何时间段内使用给定技术的水平（Bonabana-Wabbi 2002）。因此，技术的采用强度是农民分配用于实施特定技术的土地面积占其拥有的总土地面积的百分比（Adesina 和 Zinnah 1993；IITA 2017）。有各种因素可能导致特定技术采用强度的变化。这些变化可能是由农民采用行为的差异引起的，包括农民年龄、