XiaoMi-AI文件搜索系统
World File Search System小插图
人口健康护理评估小插图
随着时间的流逝，护理一直在整个护理课程中朝着基于能力的教育迈进。能力证实了如何实施专业护理实践，并符合护理标准。能力定义为健康专业人员的可观察能力，整合了多个组成部分，例如知识，技能，价值观和态度（Frank，Snell，Cate等，2010）。由于能力是可以观察到的，因此可以衡量它们以确保学生在教育期间获得了他们。今天的社区/公共卫生护理（C/PHN）能力可以追溯到1930年代的早期PHN目标（Abrams，2008，2004; QC，2011，1997）。最近，C/PHN能力已通过理事会与学术界与公共卫生实践之间的联系（COL）联系的更广泛的跨学科公共卫生能力相关。公共卫生护理组织委员会（以前称为四轮委员会）已修改了公共卫生的COL能力以反映护理角色（Quad Council，2018年）。对这些能力的一个限制是，他们在衡量的挑战中，大多数护理教育计划都围绕广泛的概念设计其公共卫生课程，几乎没有对预期的学生成果进行共同的衡量。为此，AACN CDC咨询小组关于护理中公共/人口健康的协作协议设计了一个试点项目，以测试VIGNETTE/案例研究方法，以测量PHN能力。这项初步工作是一个重要的开始，以确保在BSN及以上教育的所有护士都能展示公共卫生护理中的核心竞争力。下面介绍了小插图，供护理教育者使用。需要进一步的努力来衡量核心PHN能力的学生成果。
侦察兵接触骑兵领袖战术小插图
本手册旨在帮助中队指挥官促进重复、富有想象力和有效的训练。如果按预期使用，它将使指挥官能够培训、评估和认证侦察排长、排长和高级侦察兵。本手册还可以帮助指挥官教授和评估所有侦察兵领导和骑兵军官必须掌握的核心基础知识的理解。这些核心基础知识旨在在课堂环境中的桌面上执行。本手册中包含地图和标语牌，以方便这种类型的培训场地。随着排的信心增强，这些练习可以轻松地应用于沙盘或地形模型，以增加培训受众的规模和范围。
从护理实践到投机性小插图 - 机器人良好的机器人的考虑
护理部门已成为开发机器人技术的测试床之一，这些测试床已承诺减轻人口老龄化和劳动力短缺的问题。尽管有这些承诺，但这种技术的实际应用已得到有限的成功。除了技术局限性外，其他挑战以我们处理这些技术的方式存在。对护理部门的发展至关重要的是了解环境的复杂性，各种参与者的需求和目标，以及它们如何在社会遗产上造成。本文介绍了一项在价值敏感设计和投机设计的交点上进行的研究，以了解这些敏感性。基于访谈（n = 6）和卡片讲习班（n = 6）的数据，从护理人员和奥地利的移动护理和护理家庭环境中的居民中，我们开发了五个主题，这些主题捕获了构建的现状实践，并理解了基于信任的日常工作，对不同的参与者的谈判，情感和互惠的培训，情感和互惠的护理，照料工作，以及护理人员的互动，和物质自我锻炼。随后，我们创建了六个投机性小插图，它们用作修辞手段，以强调任何进入并重塑现有护理实践和关系的技术干预措施所产生的紧张局势。我们认为，我们的方法可以支持机器人设计师从前设计和开发开始研究的特定环境中的价值和紧张局势。
比较生成AI，心理健康专家和精神分裂症恢复公众的观点：病例小插图研究
背景：精神卫生保健中当前的范式侧重于临床康复和症状缓解。该模型的功效受到治疗师对患者康复潜力和治疗关系深度的信任的影响。精神分裂是一种慢性疾病，患有严重的症状，康复的可能性是争论的问题。随着人工智能（AI）融入了医疗保健领域，重要的是要检查其评估精神分裂症等主要精神疾病中恢复潜力的能力。目的：本研究旨在评估与精神卫生专业人员相比评估精神卫生专业人员在有无专业治疗以及长期正面和负面结果的情况下评估精神分裂症预后的能力。方法：将小插图输入到LLMS界面中，并通过4个AI平台评估10次：Chatgpt-3.5，Chatgpt-4，Google Bard和Claude。总共收集了80次评估，并针对现有规范进行了基准测试，以分析精神卫生专业人员（全科医生，精神科医生，临床心理学家和心理健康护士）以及普通公众对精神分裂症预后以及具有专业治疗以及精神分裂症的积极和负面长期介绍的精神分裂症预后的思考。结果：对于精神分裂症和专业治疗的预后，Chatgpt-3.5非常悲观，而Chatgpt-4，Claude和Bard与专业观点保持一致，但与公众有所不同。所有LLM都认为未经治疗的未经治疗的精神分裂症将保持静态或不受专业治疗而恶化。对于长期成果，Chatgpt-4和Claude预测了比Bard和Chatgpt-3.5的负面结果。为了积极成果，Chatgpt-3.5和Claude比Bard和Chatgpt-4更悲观。结论：在考虑“患有治疗”状态的4个LLM中，有4个LLM与精神卫生专业人员的预测紧密一致的发现证明了这项技术在提供专业临床预后的潜力。对ChatGpt-3.5的悲观评估是一个令人不安的发现，因为它可能会减少患者开始或继续接受精神分裂症治疗的动机。总体而言，尽管LLMS有望扩大医疗保健，但其应用需要严格的验证并与人类专业知识融合。
我们如何谈论算法和算法媒体期货？在数据驱动媒体个性化的公民理事会中使用小插图和方案
抽象的“新”媒体和算法规则是许多新兴技术的基础，这在现场工作中提出了特殊的挑战，因为其设计的不透明度，有时甚至是他们的真实或可感知的地位“还不是在这里”，这使得在该领域中谈论这些具有挑战性。在本文中，我们使用三阶段公民理事会的见解，调查了公民对数据驱动的媒体个性化发展的看法，以反思在数据收集的数据收集中使用未来取向的小插曲和场景的潜力，以了解用户体验，期望和算法的道德。我们介绍了以用户为中心的算法研究中使用小插曲作为数据收集方法的一部分的可能性和潜力，该研究邀请用户对算法的上下文经验，但也可以对当代数据依赖的社会中的好处进行更多的规范思考。
化学反应工程基础
本书介绍了化学反应工程的定量处理。我们认为，本书的介绍水平适合一学期的课程。本书提供了一种平衡的方法来理解：（1）均相和非均相反应系统，以及（2）化学反应工程和化学反应器工程。我们在本书的许多章节中都模仿了 Michel Boudart 教授的教学。例如，第 1 章和第 4 章的大部分内容都是仿照他那本现已绝版的优秀教材（《动力学 a/化学过程》）编写的，但它们已经进行了扩展和更新。每章都包含许多练习题和小插图。我们使用小插图为读者提供有关文中描述的分子和/或分析的实际商业流程和/或用途的讨论。因此，小插图将呈现的材料与我们周围世界发生的事情联系起来，以便读者了解化学反应工程及其原理如何影响日常生活。本书中的许多问题都需要数值解。读者应该寻找合适的软件来正确解决这些问题。由于这些软件丰富且不断改进，读者应该能够轻松找到必要的软件。这项练习对学生很有用，因为他们在离开学术机构时需要这样做。完成整个文本将让读者有机会尝试
o r i g i g i n a l r e s a r c h得出稀有疾病AADC缺乏症的小插曲，使用父母，照料者和临床医生访谈来评估
目的：芳香族L-氨基酸脱羧酶（AADC）缺乏症是一种罕见的遗传结构，其特征是运动障碍，言语和认知功能障碍。需要得出对治疗的经济评估，与健康相关的生活质量或公用事业需要得出。这些文献目前缺乏。这很具有挑战性，患者人数很小，尤其是在小儿种群中。这项研究概述了描述AADC的小插曲的5阶段发展，用于随后的健康状态效用启发研究，重点是护理人员和临床医生的参与。方法：为了与经济模型保持一致，开发了5个描述5个AADC缺陷运动里程碑的小插图，从“卧床不起”到“援助”。第1阶段包括鉴定文献和AADC缺陷慈善网站的症状/障碍。第2阶段包括与3名看护人的小组讨论。症状矩阵开发了，其次是小插图（第3阶段）。八位临床医生通过调查（第4阶段）与相同的3名看护人一起审查了这些临床医生。在第5阶段修订了小插图。结果：关于第1阶段和第2阶段症状的共识很高，尽管文献强调了行为和自主症状，而照料者没有。症状分为神经肌肉，自主，认知，行为和功能障碍。临床医生和看护人的小插图反馈强调了AADC的特发性。尽管如此，临床医生只提出了另外2个症状。同样，护理人员提出了4种症状，并改变了用于认知症状的措辞。并非所有更改都包括在内。结论：护理人员，临床医生和文献的不同重点增强了患者/看护者参与的重要性。小插曲需要全面捕获与AADC缺乏症生活的感觉，以使随后的公用事业变得坚固。专注于证据三角剖分，尤其是针对特发性条件，以及如何从照顾者那里寻求参与是研究的重要途径。关键字：芳香族L-氨基酸脱羧酶缺乏症，AADC缺乏症，小插曲，看护人，临床医生
创伤性脑损伤和物质使用障碍：
工具包包含的四个部分为提高行为健康服务提供者为脑损伤患者提供服务的能力提供了宝贵的信息。它还描述了物质使用对被诊断为脑损伤的人的毒性作用。第 1 部分中的科学内容旨在增强读者对脑损伤行为影响的理解，并附有大脑的视觉图像。第 2 部分介绍了用于筛查脑损伤的循证工具，强烈鼓励推进脑损伤筛查。本节还提供了使用筛查工具的实践指导。第 3 部分讨论了神经认知问题，并提出了支持脑损伤患者的技术的具体建议。这些技术通过应用案例小插图来描述，这些小插图指导读者发展技能。第 4 部分以 Gerry 的案例为例，说明了从业者使用循证实践的重要性，该实践基于提供者的干预指南，包括如何使用环境支持来解决认知困难的指导。
夏普提升从大厅到礼堂的电影观众体验案例研究
因此，夏普总部在其简报中心内设置了一个数字影院小插图——一个 6,000 平方英尺的空间，分为 10 个专用舞台区域，用于每个主要垂直区域——向影院所有者和运营商展示如何采用最新的数字技术来帮助人们离开沙发，走进电影院。
朝着以人为本的AI管理
作为由人工智能提供支持的算法（AI）越来越多地参与了组织的管理，当机器能够对人类获得权力时，必须进行以人为本的AI管理研究并了解人们的感受和行为。两种主流方法 - 小插图研究和案例研究 - 揭示了重要但不一致的见解。在这里，我们讨论了小插图研究的局限性（情感预测错误，有偏见的媒体覆盖范围和问题替代）和案例研究（社会可取性偏见以及缺乏随机分配和控制条件），这可能会导致他们分别对AI管理的负面和积极的反应过高。我们进一步讨论了减轻这些局限性的第三种方法的优势：众包市场上的现场实验。一项关于亚马逊机械土耳其人（MTURK；作为世界领先的众包平台）的概念证明研究表明，人类对AI管理的反应独特，与Vignette或案例研究中的AI管理不完全一致。参与者（n = 504）在AI与人类管理方面没有显着差异，在绩效，内在动机，公平感知和承诺方面。我们建议，众包的Mar Ketplaces可以超越人类的研究主题库，并成为AI管理的工作场所的模型，促进及时的行为研究以及对以人为中心的工作设计和组织的强大预测。