XiaoMi-AI文件搜索系统
World File Search System机与
计算机与数据科学学院战略计划
1. 为潜在的计算机和数据科学学院制定初步战略计划。2. 向大学领导层提交一份建议，建议是否继续设立新的计算机和数据科学学院，并根据战略计划的要素做出决定。3. 如果大学领导层决定继续设立一所学院，则完成战略计划的制定。2022 年 4 月 14 日，联合主席 Bill Cresko 和 Hal Sadofsky 开始与 Judy Kanavle 和 Gretchen Drew 合作，制定计算机和数据科学学院的广阔愿景（见附录 2）。该初步愿景是整个委员会流程的起点，该流程始于 2022 年夏季，一直持续到 2022 年秋季末。2022 年 10 月初，在制定了雄心勃勃的愿景、使命、目标和原则后，在利益相关者的意见和促进讨论的指导下，委员会一致投票建议大学继续创建计算机和数据科学学院，以实现委员会制定的愿景、使命、目标和原则。大学领导层，包括代理教务长 Janet Woodruff-Borden 和艺术与科学学院院长 Chris Poulsen，批准了该建议。在领导层批准后，委员会继续制定一套战略和两年目标。本报告代表了委员会工作的成果，包括最终的 SCDS 第 1 阶段 - 战略计划（如下），以及全套目标、战略和会议材料的链接（见附录 3-6）。本报告中提出的战略计划旨在为下一阶段的工作提供建议——这一实施工作将由艺术与科学学院牵头。委员会希望委员会制定的雄心勃勃的愿景、使命、目标、战略和宗旨能够在塑造未来学院方面发挥重要作用。
计算机与网络科学专业哲学博士以下课程已获得初步批准，如有更改，恕不另行通知。
为了满足广度要求，学生必须在 5 个 AE 领域中选修 6 门课程，总计 18 个学分。学生根据自己的兴趣并咨询学术或论文导师进行选择。必须遵守以下规则： 1. 课程必须来自至少 3 个领域 2. 学生必须从 2 个领域选修至少 2 门课程 根据这些规则，跨领域的潜在课程选项为 2-2-1-1、2-2-2 和 3-2-1。学生必须以支持其研究重点的方式完成广度要求。他们的计划（即他们将在每个领域选修的课程数量）必须得到项目主任和研究生委员会成员的批准。为了使课程满足广度要求，学生必须在 6 门课程中的每一门都获得 B 或更高的成绩，并且在 6 门课程中获得的 A 比 B 多。超过 6 个必修广度要求的领域课程将被视为选修课。
第五章——能源危机与结构变化：德国工业的前景
价格的大幅上涨——无论是绝对价格还是相对于许多其他地区而言——都将加速工业结构性变化，而这种变化是脱碳所导致的。能源成本在大多数经济部门的总成本中所占比例相对较小：在 2% 到 5% 之间。然而，对于能源密集型行业而言，由于能源价格上涨，成本大幅上升。受打击最严重的是能源密集型行业和产品，它们同时面临着来自非欧洲公司的激烈竞争，例如金属生产和加工、玻璃和玻璃器皿加工和制造、陶瓷、非金属矿物加工和基础化学工业产品。在这些行业中，一些生产领域可能会转移到国外。然而，预计不会出现广泛的去工业化。在过去十年中，德国工业的能源强度已经大幅下降。这是由于产业结构的变化，但最重要的是由于各个经济部门的能源效率提高。当前的危机将进一步加速这一发展。
计算机与化学工程 - NSF-PAR
雄心勃勃的可再生能源组合标准推动了大规模部署储能资源 (ESR) 作为灵活性的来源。因此，电力市场的设计正在积极开发中，以适当补偿 ESR 提供的灵活性服务。在本文中，我们提出了一个包含 ESR 系统的新市场清算框架。与现有的市场设计相比，我们的方法使用虚拟链接 (VL) 的概念来建模 ESR 系统，虚拟链接可以捕获随时间推移的电力传输/转移。VL 表示揭示了可用于 ESR 运营的经济激励，并揭示了电力市场应如何补偿 ESR。我们的框架还使我们能够探索 ESR 物理参数对市场行为的作用；具体而言，我们表明，虽然能源和电力容量定义了每个 ESR 可以提供的灵活性，但充电/放电效率在 ESR 报酬和电网缓解市场价格波动的能力中起着根本性的作用。新的市场设计在计算上也具有吸引力，因为它是一个线性程序，因此避免了混合整数公式和具有互补约束的公式（在当前设计中用于捕获二进制充电/放电逻辑）。我们使用我们的市场框架来分析 ESR 和市场运营商之间的相互作用，并为电网中 ESR 的最佳部署策略提供见解。
![已发布版本的引文 (APA)：Markauskaite, L.、Marrone, R.、Poquet, O.、Knight, S.、Martinez-Maldonado, R.、Howard, S.、Tondeur, J.、De Laat, M.、Buckingham Shum, S.、Gašević, D. 和 Siemens, G. (2022)。重新思考人工智能与人类学习之间的交织：学习者需要具备哪些能力才能适应人工智能的世界？计算机与教育。人工智能，3，1-16。[100056]。https://doi.org/10.1016/j.caeai.2022.100056](/simg/a/aebcfc403c23af0c5e2526482820a6e8dd33ca57.png)
已发布版本的引文 (APA)：Markauskaite, L.、Marrone, R.、Poquet, O.、Knight, S.、Martinez-Maldonado, R.、Howard, S.、Tondeur, J.、De Laat, M.、Buckingham Shum, S.、Gašević, D. 和 Siemens, G. (2022)。重新思考人工智能与人类学习之间的交织：学习者需要具备哪些能力才能适应人工智能的世界？计算机与教育。人工智能，3，1-16。[100056]。https://doi.org/10.1016/j.caeai.2022.100056
人工智能在人类生活的方方面面（从个人休闲到协作专业工作，再到全球政策决策）的普及提出了一个尖锐的问题：如何让人们为一个日益充斥着技术设备和代理机器的互联、快速变化的世界做好准备。在充满人工智能的世界中，人们需要什么样的能力？我们如何概念化这些能力？我们如何帮助学习者发展这些能力？我们如何实证研究和评估他们的发展？在本文中，我们采用对话式知识构建方法展开讨论。我们由 11 位合著者组成的团队参加了精心策划的书面讨论。通过半独立半联合的书面多方对话，我们收集了大量关于这些能力是什么以及如何帮助学习者发展这些能力的想法。同时，我们讨论了概念和方法论思想，这些思想使我们能够测试和改进我们的假设观点。在综合这些想法时，我们提出需要超越以人工智能为中心的能力观点，并考虑技术、认知、社交互动和价值观的生态。
有机与生物分子化学 - RSC 出版
核酸将功能性生物信息编码为组装成线性聚合物的单体单元序列，该聚合物通过模板指导合成复制并翻译成氨基酸聚合物。1 生物体的进化依赖于这一序列信息传递过程。分子进化已被用于寻找新型功能性生物聚合物以及定制蛋白质以用于治疗或制造应用。2 – 7 尽管如此，当前方法可触及的化学空间仅限于核酸和蛋白质。8 – 10 因此，无法使用基于核酸的复制来针对由包含合成信息的聚合物构成的广阔化学空间区域。11,12 尽管已证明模板指导的聚合物合成适用于多分散性合成聚合物混合物，但这些方法仅限于不包含序列信息的均聚物。13 – 18 目前，含有不同单体单元序列的低聚物的合成依赖于固相方法。 19,20 开发一种在基因组之间传递序列信息的有效方法
您将再次掌握：脊髓/计算机与保留的运动神经元的直接接口可恢复慢性脊髓损伤后瘫痪手的灵巧控制
图 1 | a. 实验装置由放置在前臂肌肉中的 320 个表面 EMG 电极组成。运动指令由受试者前方的显示器上显示的虚拟手视频引导。b. 一些示例电极显示受试者尝试抓握任务（手指屈伸，0.5Hz）时的原始 HDsEMG 信号。c. 基于运动单元动作电位均方根值的空间映射示例。d. 在两指捏合任务的 10 秒内识别的运动单元激发（颜色编码）的光栅图。e. 使用因式分解分析为同一任务提取的神经模块。f. 具有两个神经模块的各个运动单元的 Pearson 相关值 (r)。g. 在所有任务和受试者中识别的运动单元 (MU) 数量（每个点代表一个受试者）。h. 两个神经模块（M1 - 蓝色和 M2 - 红色）解释方差的百分比，在所有受试者中平均。
计算机与图形
在多发性硬化症 (MS) 中，脑损伤程度、解剖位置、形状和变化是帮助医学研究人员和临床医生了解疾病时间模式的重要方面。纵向 MS 数据的交互式可视化可以支持旨在探索性分析病变和健康组织拓扑的研究。现有的可视化包括条形图和汇总指标，例如绝对数字和体积，以总结病变随时间的变化轨迹，以及体积变化等汇总指标。这些技术可以很好地用于具有双时间点比较的数据集。对于频繁的后续扫描，如果没有合适的可视化方法，很难从多模态数据中理解模式。作为一种解决方案，我们提出了一个可视化应用程序，其中我们通过适用于大型时间序列数据的交互式可视化来展示病变探索工具。除了各种体积和时间探索设施外，我们还包括一个交互式堆叠面积图，其中包含其他集成功能，可以比较病变特征，例如强度或体积变化。我们从自动病变跟踪中获取纵向可视化的输入数据。对于有大量随访的病例，我们的可视化设计可以提供有用的摘要信息，同时允许医学研究人员和临床医生研究较低粒度的特征。我们通过与领域专家的评估展示了我们的可视化在模拟数据集上的实用性。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
人工智能聊天机器人：提高内罗毕大学计算机与信息学系处理学生查询的效率
摘要 人工智能聊天机器人正日益取代人类聊天服务代理，因为机器人能够通过自然语言和人工智能 (AI) 技术与人类交流。研究发现，大学需要提供由人工智能驱动的有效、高效的数字平台，以支持整体虚拟学习 (Alharthi、Spichkova 和 Hamilton，2019)。COVID-19 大流行扰乱了面对面的学习，大多数机构现在已经采用了混合或纯在线学习。在新生以虚拟方式入学的情况下，学生的问询有所增加，传统的人工支持渠道变得无效。这项研究旨在开发一种对话式人工智能聊天机器人，以提高内罗毕大学计算与信息学系 (DCI) 处理学生问询的效率。这项开发研究采用了瀑布式软件开发方法。数据来源是内罗毕大学网站上的内容和 DCI 学生。使用内容分析和结构化访谈来获取数据。自然语言处理 (NLP) 和 LSTM 模型用于构建 AI 聊天机器人 (称为 UniBot)。BLUE 评估方法用于评估 UniBot 在提供准确响应方面的有效性。研究确定聊天机器人的响应与 BLUE 得分为 0.75 几乎完美匹配。还采用了定量方法来评估模型的效率，方法是让 20 名目标学生使用聊天机器人 3 周，并通过问卷给出反馈。从学生的回答中获得的平均分数为 4.10，标准差为 0.59，这意味着 UniBot 实现了提高处理学生查询效率的目标。特别是，与 UniBot 互动的学生表示，该机器人易于使用，可以非常快速地检索所需信息。但是，聊天机器人无法回答它未接触过的主题的问题，并且会留下未回答的问题。在这种情况下，建议聊天机器人提供相关链接或人脉。