XiaoMi-AI文件搜索系统
World File Search System定性分析
神秘和操纵的黑匣子：对推荐系统的看法的定性分析
推荐系统用于提供有关各种事项的相关建议。尽管这些系统是一个经典的研究主题，但知识仍然受到有关这些系统的公众舆论的限制。公众舆论也很重要，因为已知系统会引起各种问题。为此，本文对普通公民，民间社会团体，企业以及其他对欧洲推荐系统的看法进行了定性分析。所检查的数据集是基于对最近在欧盟（EU）颁布的有关数字服务法（DSA）的咨询的答案。因此，本文不仅有助于有关调节新技术和在线平台的紧迫问题，而且还揭示了有关DSA决策的见解。根据定性结果，欧洲人通常对推荐系统及其建议的质量有负面看法。该系统被广泛认为侵犯了隐私和其他基本权利。根据许多欧洲人的说法，这些也会引起各种社会问题，包括对民主的威胁。此外，由于缺乏适当的执法，通常认为欧盟中的现有法规失败了。咨询的受访者提出了许多建议，以改善局势，但其中只有少数最终达到了DSA。
对（现实世界）选举获胜者鲁棒性的定量和定性分析
投票是一个方便而有力的框架，用于汇总偏爱。它有许多现实世界中的应用程序，从政治选举到评估小组，决定要资助哪些研究项目以及在电视节目中进行电视节目，以汇总运动竞赛的结果。有趣的是，独立于政策，定期进行的，情感上的辩论是“胜利候选人赢得了大选”的“多少”。值得注意的是，研究发现，选举比直觉上预期的要多得多。例如，在维基百科上有313个政治选举名单，选举的决定不到0。所有选民中有1％[18]。此外，穆里根（Mulligan）和亨特（Hunter）[23]报告说，在美国的州选举中，每15人中有一个。000个选民进行了决定性的投票。以此为动机，有一大批理论文献，这可能是通过一次投票决定选举的可能性[1，3，11，16，17，21，22，33]。
对在线定量MBA课程的学生建议的定性分析
在过去的15年中，在线课程一直是研究和分析的主题。课程结构，教师和学生工作量以及在线课程理想学生的特征都是研究，研究和辩论的主题。本研究研究了“理想在线学生是什么？”的问题。最后一个考试进行了一个开放式问题 - “您会给进入本课程的学生有什么建议？” - 在三年（2008- 2011年）的一所美国西南大学（2008 - 2011年）中，有378名MBA学生（248名男性，130名女性）在四种不同类型的定量在线课程中，由六名不同的教师教授。使用英语回归想象词典对每个答案进行评分，这是一种内容分析编码方案，旨在根据某些键
从回收纺织品中对纸浆中染料的定量和定性分析
为此，使用了不同的化学分析方法。这些包括Kappa数量测量值，UV-VIS和FTIR。为该项目选择了九种不同类型的牛仔裤，一条纱线，三种原材料（棉，宠物和弹性）和两种纯染料（靛蓝和黑色硫染料）。KAPPA数量测量结果的结果表明，只有使用原始的Kappa编号方法在25度处使用蓝色牛仔裤，蓝色纱线和黑色牛仔裤和测量。但是，当手动完成相同的过程并且温度增加到70度C时，几乎所有材料C都可以被漂白并进行测量。因此，结论是该方法可以是成功的定量方法。但是，需要进一步开发温度校正方程，以便能够量化确切的染料量。还将Kappa数与吸光度因子（即来自UV-VIS结果的K值。可以看到蓝色牛仔裤，蓝色纱线和黑色牛仔裤的相关性。因此，UV-VIS方法也可能是量化纺织品中染料的可能方法。用于定性分析，使用了FTIR。结果表明，可以通过将所得FTIR光谱与参考光谱进行比较来识别原材料。对于牛仔裤和纱线材料，为蓝色牛仔裤，蓝色纱和黑色牛仔裤确定了靛蓝染料。但是，对于其他材料，染料的量太低，无法得出有关化学结构的结论。
基于测量的变分量子特征值求解器的确定性分析
摘要 基于测量的量子计算 (MBQC) 是一种很有前途的方法，可以减少嘈杂的中型量子算法（例如变分量子特征值求解器 (VQE)）中的电路深度。与基于门的计算不同，MBQC 在预先准备的资源状态上使用局部测量，在电路深度和量子比特数之间提供权衡。确保确定性对 MBQC 至关重要，特别是在 VQE 环境中，因为测量模式缺乏流动性会导致在无关位置评估成本函数。本研究介绍了尊重确定性并类似于广泛使用的与问题无关的硬件高效 VQE 假设的 MBVQE 假设。我们使用 Schwinger Hamiltonian 和 XY 模型上的理想模拟来评估我们的方法，并在具有自适应测量功能的 IBM 硬件上进行实验。在我们的用例中，我们发现通过后选择确保确定性比通过自适应测量效果更好，但会增加采样成本。此外，我们提出了一种有效的 MBQC 启发式方法，用于在具有重十六进制连接的硬件上准备资源状态，特别是集群状态，需要单轮测量，并在具有 27 和 127 个量子比特的量子计算机上实现此方案。我们观察到较大集群状态的显着改进，尽管直接基于门的实现对于较小的实例实现了更高的保真度。
支持意外发现：定性分析中人机协作的机遇与挑战
定性归纳法因其能够生成性地发现深层且情境化的见解而广泛应用于 CSCW 和 HCI 研究，但这些本质上手动且人力资源密集型的过程通常不适用于分析大型语料库。研究人员对将定性方法应用于“大”数据问题的方法越来越感兴趣，希望从大量数据中获得更具普遍性的结果，同时保留定性方法的深度和丰富性。在本文中，我们描述了一项关于定性研究人员的工作实践及其挑战的研究，着眼于这是否是人机协作的合适领域以及成功的协作可能涉及哪些方面。我们的研究结果描述了参与者多样化的方法实践和细微的协作动态，并确定了他们可能从基于 AI 的工具中受益的领域。虽然参与者强调了定性归纳分析的混乱性和不确定性，但他们仍然希望完全掌控整个过程，并认为 AI 不应干预。我们的研究在定性分析的背景下对人机协作中任务的可委派性进行了深入研究，并为尊重偶然性、人类能动性和模糊性的人工智能辅助设计提供了方向。
对肯尼亚医疗机构错失疫苗接种机会的原因进行定性分析
全球每年出生的 1.4 亿名儿童中，约有 1.2 亿名儿童接种了第三剂白喉-破伤风-百日咳疫苗 (DTP) [1]。这代表着 1974 年启动的扩大免疫规划 (EPI) 取得了重大成功 [2-4]。不幸的是，每年有 2000 万名儿童未接种或接种不足，他们大多居住在非洲地区，特别是中低收入国家 [1]。在肯尼亚，尽管官方估计 2018 年第三剂 DTP 的覆盖率为 81%，但每年出生队列中仍有 35% 未接种或接种不足 [5-7]。部分儿童未接种或接种不足可能是由于错过疫苗接种机会 (MOV)。 MOV 包括有资格接种疫苗（未接种或部分接种/未及时接种且无接种禁忌症）的儿童（或成人）与卫生服务机构的任何接触，但未能导致该人接种其有资格接种的所有疫苗剂量 [8,9]。MOV 可能由多种原因引起，包括缺乏疫苗接种资格筛查、已知禁忌症、疫苗短缺或对疫苗犹豫 [10]。MOV 可能会阻碍各国实现其免疫目标。通过确保在常规卫生服务就诊期间对已经接受卫生服务的儿童进行筛查和接种疫苗，解决 MOV 的根本原因可显著提高覆盖率和及时性，同时将成本降至最低并保持可持续 [11-14]。先前的作者已经记录了一些关于肯尼亚 MOV 的发现。对人口与健康调查数据的审查发现，2014 年 MOV 的患病率为 42% [15]。 2016 年，另一项针对肯尼亚马赛游牧牧民儿童的研究发现，MOV 的患病率为 30% [ 16 ]。另一项针对肯尼亚内罗毕城市贫困儿童的研究发现，在 12 个月前完成免疫接种的儿童中，22% 的疫苗剂量接种顺序错误。这表明存在 MOV，因为儿童与卫生服务机构联系并接种了部分（但不是全部）他们有资格接种的疫苗 [ 17 ]。从这些报告可以看出，先前评估 MOV 或与 MOV 相关的因素的研究范围有限，并且使用的方法各不相同，导致可比性有限且解释各异 [ 15 ， 16 ， 18 – 23 ]。世界卫生组织 (WHO) 于 2015 年发布了评估 MOV 的标准化方法。该方法源于之前的 MOV 方法论和其他研究，并经过更新，更加强调通过自下而上解决问题的干预措施来减少 MOV [ 9 , 10 , 24 , 25 ]。为了探索疫苗接种覆盖率持续偏低的根本原因，并研究提高覆盖率和公平性的潜在干预措施，肯尼亚国家疫苗和免疫计划 (NVIP) 与合作伙伴合作，2016 年 11 月进行了一项关于错过疫苗接种机会 (MOV) 的研究。该研究
与访问和共享患者信息有关灾难中的信息的挑战：定性分析
Lauren M. Sauer，MSC，是内布拉斯加州大学医学中心，内布拉斯加州大学医学中心全球卫生安全中心研究中心副教授兼副主任。她还是约翰·霍普金斯医学院急诊医学系副教授，马里兰州巴尔的摩。贝丝·雷斯尼克（Beth Resnick），DRPH是实践和培训助理院长，也是马里兰州巴尔的摩市约翰·霍普金斯彭博公共卫生学院卫生政策与管理部高级科学家。Jonathan L. Links博士是约翰·霍普金斯彭博公共卫生学院环境卫生与工程系教授，教务长约翰·霍普金斯大学，巴尔的摩，医学博士，约翰斯·霍普金斯大学，副教务长和首席风险。Brian T. Garibaldi，医学博士，Meph是Johns Hopkins大学医学院肺和重症监护医学的副教授，以及约翰·霍普金斯生物体内娱乐部主任，医学博士Baltimore，约翰斯·霍普金斯医院医学院。 Lainie Rutkow，JD，PhD，MPH，是医学和生理学教授，卫生政策与管理部，约翰·霍普金斯·彭博公共卫生学院，以及跨学科计划的副教务长，曾在教务长的跨学科倡议，同时在约翰·霍普金斯大学，巴尔蒂莫尔，马利亚州约翰斯·霍普金斯大学。Brian T. Garibaldi，医学博士，Meph是Johns Hopkins大学医学院肺和重症监护医学的副教授，以及约翰·霍普金斯生物体内娱乐部主任，医学博士Baltimore，约翰斯·霍普金斯医院医学院。Lainie Rutkow，JD，PhD，MPH，是医学和生理学教授，卫生政策与管理部，约翰·霍普金斯·彭博公共卫生学院，以及跨学科计划的副教务长，曾在教务长的跨学科倡议，同时在约翰·霍普金斯大学，巴尔蒂莫尔，马利亚州约翰斯·霍普金斯大学。Lainie Rutkow，JD，PhD，MPH，是医学和生理学教授，卫生政策与管理部，约翰·霍普金斯·彭博公共卫生学院，以及跨学科计划的副教务长，曾在教务长的跨学科倡议，同时在约翰·霍普金斯大学，巴尔蒂莫尔，马利亚州约翰斯·霍普金斯大学。
基于框架的大型语言模型的免费响应的定性分析：算法保真
今天，随着大型生成语言模型（LLM）的出现，现在可以模拟对采访问题的免费回答，例如传统上使用定性研究方法进行分析的问题。定性方法包括一系列广泛的技术，涉及对开放式访谈或以自然语言自由进行的对话进行手动分析。在这里，我们考虑使用定性分析方法对LLM产生的人工“硅参与者”是否可以进行有效的研究，以产生可以推广到真实人类种群的见解。我们分析中的关键是算法忠诚度，这是一个有效性概念捕获LLM生成的输出反映人类亚人群的信念和态度的程度。从定义上讲，高算法的忠诚度表明，LLMS引起的潜在信念可能会概括为真实的人类，而低算法的忠诚度则使此类研究无效。在这里，我们使用LLM来与“硅参与者”进行访谈，以一对一的人口统计学与一组人的参与者相匹配。使用基于框架的定性分析，我们展示了从人类和硅参与者获得的关键主题非常相似。但是，当我们分析访谈的结构和语气时，我们发现了更明显的差异。我们还发现了超准确性分歧的证据。我们得出的结论是，我们测试的LLM（GPT-3.5）没有足够的算法忠诚度，可以期望对其进行计算机研究，无法将其推广到真实的人类人群中。然而，人工智能的快速进步增加了算法忠诚度可能会改善的可能性。因此，我们强调了现在需要建立认知规范，围绕如何评估基于LLM的定性研究的有效性，尤其是关于确保代表异质生活经验的有效性。
对移植的秋葵的定量和定性分析，以抑制酸性培养基中的低碳钢
结果和讨论：定量分析表明，经过修改的自然聚合物的抑制效率（IE）随着浓度的增加而增加，在800 ppm时达到73.5％，具有混合抑制方式。从响应表面方法论中，揭示了温度影响IE不仅仅是浓度和浸入时间。使用可取性函数进行了优化的IE显示，在142.3 ppm的抑制剂浓度下，在60.4°C下的温度和浸入时间为22.4 h，抑制剂浓度以抑制剂浓度达到88.2％的可能性。 FTIR分析揭示的混合聚合物中的新功能组表明，嫁接提高了抑制剂的吸附能力。TGA分析确认了提取物的高热稳定性，这突出了抑制剂对高温的强烈吸附和效率。FESEM分析表明抑制剂吸附在金属表面上。