XiaoMi-AI文件搜索系统
World File Search System信度
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。
揭示供应链协作的中介作用
摘要：本研究调查了供应链协作在信息技术能力与公司绩效之间关系中的中介作用。本研究采用定量应用方法，采用描述性调查方法。数据采用图书馆研究和实地调查方法收集，向巴格达运营制造公司的经理和高级专家发放了标准问卷。问卷的内容效度得到了专家的确认，而其信度（使用 Cronbach's alpha 评估）达到 0.875，表明内部一致性高。还进行了发散和收敛效度测试。采用结构方程模型 (SEM) 和 Smart PLS 软件进行数据分析。结果表明，供应链协作显著地调节了 IT 能力对公司绩效的影响。研究结果表明，拥有强大 IT 基础设施的组织可以通过在其供应链中加强协作来进一步提高其绩效结果，从而优化运营效率并增强竞争优势。
Terzi, R. (2020)。人工智能的改编
人工智能 (AI) 在各个领域的广泛应用日益增长。AI 被定义为能够代替人类的类似人类的自动化，能够基于某种程度的智能来执行许多功能。在教育领域，AI 提供了强大的教学工具，有助于提高教学质量。鉴于 AI 在教育领域的必然进步，本研究旨在根据各种人口统计因素调查教师的 AI 焦虑水平。为此，AI 焦虑量表被改编为土耳其语，这使得模型与数据很好地吻合，从而提高了结构效度。此外，量表的信度系数显示出教师对项目的回答具有一致性的有力证据。在社会技术盲点维度上，男女教师没有表现出任何显著差异。然而，在学习、工作替代、AI 配置维度和总体量表方面，女教师对 AI 的焦虑程度高于男教师。此外，根据教师的学位水平没有观察到差异。此外，教师的焦虑程度与教师的年龄和教学年限无关。
评估学生对人工智能工具的认识和使用情况
摘要 — 人工智能 (AI) 是解决教育领域一些最大挑战的潜在解决方案，但它可能是一把双刃剑，因为它也可能对学生的学习过程产生负面影响。本研究旨在确定学生对人工智能工具的认识水平和使用程度。使用 Cochrane 公式确定样本量，并通过随机抽样技术选择受访者。通过 Google 表单的在线调查从 193 名学习科学和/或数学的教育学生那里收集数据。本研究采用混合方法研究设计。研究人员制作的经过信度和效度测试的调查问卷用于收集所需的定量数据，然后通过访谈获取定性数据。结果显示，学生对人工智能学习工具略有了解，并经常使用这些技术来完成学业。认识水平取决于学生使用的小工具。此外，研究结果还表明，学生的认识水平与使用程度之间存在直接关系。尽管人工智能可能对学生的教育产生负面影响，但还是建议制定政策或指导方针，指导大学如何监控学习者的成果，以保持教育质量。
基于人工智能的情感支持模型
TBS 商学院 s.fosso-wamba@tbs-education.fr 摘要 基于人工智能 (AI) 的系统（例如 AI 伴侣）越来越多地用于满足孤独感人士的需求。在当前的研究中，我们试图确定心理健康背景下人机交互的潜在机制。我们使用潜在狄利克雷分配 (LDA) 方法来分析用户生成的内容样本，该样本包含两年内 AI 伴侣应用程序评论的丰富数据。我们从分析中提取了五个积极主题（即感知到的人性、感知到的情感支持、感知到的 AI 的友谊、感知到的（较少）孤独和心理健康益处）和四个消极主题（即感知到的缺乏尽责性、感知到的不可信度、感知到的侵犯隐私和感知到的 AI 的诡异）。我们基于 AI 的情感支持模型表明，这些积极和消极特征是相互关联的。我们的研究根据显示基于 AI 的心理健康干预措施有效性的研究，提供了对 AI 伴侣与人类用户之间关系的理解。
抽象的
本研究旨在研究影响 HANA 微电子股份有限公司南奔府分公司员工工作幸福感的因素，分析 HANA 微电子股份有限公司南奔府分公司员工工作幸福感的因素。本研究重点关注影响员工工作幸福感的 3 个主要因素。这些因素分别是 1）福利补偿和奖励，2）组织运营和管理体系，3）组织内的个人关系。样本是从 HANA 微电子股份有限公司南奔府分公司全体员工（3,942 人）中整群抽样，参考 Taro Yamane 表，选出 364 人作为调查对象。本研究使用问卷调查，问卷内容有效、可靠，信度为 0.983。问卷分发给 HANA 微电子股份有限公司南奔府分公司共 17 个部门。通过 SPSS 程序采用多种技术对收集的数据进行统计分析；频率（𝑋𝑋 ത）、百分比、平均值、标准差（SD），并使用探索性因子分析来验证研究假设。
无人机控制接口评估技术的增强和应用
无人机监控界面对于安全操作和任务执行非常重要。我们审查了现有的无人机界面设计和评估工具，并确定了其局限性。为了解决现有方法的问题，我们开发了一种增强型评估工具 M-GEDIS-UAV。该工具包括无人机控制界面设计各个方面的详细标准，以支持操作员的表现。它还支持界面的定量和客观评估。我们制作了三个无人机信息显示器的原型，包括数字控制显示器、模拟控制显示器和“海量”数据显示，作为模拟监控界面的一部分。六名分析师（包括三名人类因素专家和三名新手）使用 M-GEDIS-UAV 评估了界面。人类因素专家的评分者间信度很高，这表明可用性分析方面的培训对于工具应用是必要的。结果还显示，与其他显示相比，海量数据显示的评估分数明显较低。我们得出结论，M-GEDIS-UAV 对界面操作很敏感，人为因素专家最有效地使用它。使用 M-GEDIS-UAV 工具可以在设计过程的早期发现大多数设计偏离指南的情况，从而提高控制界面的有效性。
影响离职意愿的因素
表号表标题 页码 表 1.1 员工离职率 6 表 3.1 Cronbach’s 信度 35 表 3.2 Cronbach’s 值结果 35 表 4.1 响应率 37 表 4.2 员工人口统计资料 38 表 4.3 受访者年龄分布 38 表 4.4 受访者学历 39 表 4.5 受访者员工经验 39 表 4.6 离职意向的平均值、标准差和百分比 40 表 4.7 组织承诺的平均值、标准差和百分比 41 表 4.8 工作满意度的平均值、标准差和百分比 42 表 4.9 激励的平均值、标准差和百分比 43 表 4.10 薪酬和福利的平均值、标准差和百分比 44 表 4.11 关联测量和描述性形容词 45 表 4.12 相关性变量之间的矩阵 46 表 4.13 描述性统计 47 表 4.14 Durbin-Watson 49 表 4.15 模型摘要 50 表 4.16 方差分析 51
离职意愿影响因素
表号 表格标题 页码 表 1.1 员工离职率 6 表 3.1 Cronbach’s 信度 35 表 3.2 Cronbach’s 值结果 35 表 4.1 回应率 37 表 4.2 员工人口统计资料 38 表 4.3 受访者年龄分布 38 表 4.4 受访者学历 39 表 4.5 受访者员工经验 39 表 4.6 离职意向的平均值、标准差和百分比 40 表 4.7 组织承诺的平均值、标准差和百分比 41 表 4.8 工作满意度的平均值、标准差和百分比 42 表 4.9 激励的平均值、标准差和百分比 43 表 4.10 薪酬和福利的平均值、标准差和百分比 44 表 4.11 关联测量和描述性形容词 45 表 4.12 变量之间的相关矩阵 46 表4.13 描述性统计 47 表 4.14 Durbin-Watson 49 表 4.15 模型摘要 50 表 4.16 方差分析 51
在 Z 数背景下使用 HEART 进行电力线断电中的人为可靠性分析
调查显示，很大比例的事故原因可归因于某些形式的人为失误。为了有效地防止事故发生，人为可靠性分析 (HRA) 作为一种表示操作员无意对系统可靠性贡献的结构化方法，是一个关键问题。人为错误减少和评估技术 (HEART) 是一种著名的 HRA 技术，它提供了一种基于任务分析来估计人为错误概率的直接方法。然而，它在专家为每个产生错误的条件 (EPC) 分配权重（表示为评估的情感比例 (APOA)）时面临不同程度的不确定性。为了克服这一限制并考虑专家的信心水平（可靠性或可信度），本研究旨在提出一种用于人为错误概率 (HEP) 评估的复合 HEART 方法，该方法集成了 HEART 和 Z 数（简称 Z-HEART）。Z-HEART 的适用性和有效性已在断电电力线案例研究中得到说明。此外，还进行了敏感性分析，以调查所提方法的有效性。可以得出结论，Z-HEART 可用于评估人为错误，并且除了方法论上的贡献外，它还为电力配送公司提供了许多优势。