XiaoMi-AI文件搜索系统
World File Search System样本量
引用本文：Gerbrich Ferdinands (2021) 人工智能辅助系统评价：选择研究比较小样本量的贝叶斯与频率 SEM，多元行为研究，56:1，153-154，DOI：10.1080/00273171.2020.1853501
Smid 等人（2020 年）进行了一项系统评价，以表征贝叶斯和频率估计在小样本量 SEM 中的表现。在手动筛选 5050 项研究后，仅选定 27 项来回答他们的研究问题。进行系统评价需要付出巨大的筛选努力。这种筛选工作使证据综合成为一项极具挑战性的任务。开源 AI 辅助筛选工具可以潜在地减少工作量：系统评价的主动学习（ASReview；van de Schoot 等人，2020 年）。在 ASReview 中，研究人员与主动学习模型交互筛选摘要。根据研究人员的决策（相关与不相关），该模型会迭代更新其对剩余摘要的相关性预测。通过优先考虑最有可能相关的文章（即基于确定性的主动学习），ASReview 最大限度地减少了研究人员需要筛选的文章数量，同时仍能识别出大多数相关文章。手动筛选和自动优先排序出版物的过程会产生一组相关出版物。作为一个例子，ASReview 被应用于 Smid 等人（2020 年）确定的 5050 篇研究的全部集合。理想的表现被定义为最大限度地识别 Smid 等人最初确定的 27 篇相关文章，同时最大限度地减少研究人员需要筛选的文章数量。相关性预测由主动学习模型进行，该模型使用朴素贝叶斯或逻辑回归作为分类器。对于第一个预测，ASReview 需要一些示例文章。对每个分类器应用了 27 次 ASReview，使用每篇相关文章作为示例文章一次，并与一篇随机的不相关文章配对。如图 1 所示，贝叶斯和逻辑回归模型都发现超过 80%
多变量 BWAS 可以用中等大小的样本进行复制
全脑关联研究 (BWAS) 将个体的表型特征差异与大脑结构和功能的测量结果关联起来，在过去 30 年中已成为连接心智和大脑的主要方法。单变量 BWAS 通常分别测试数万到数十万个大脑体素，而多变量 BWAS 则将跨大脑区域的信号整合到预测模型中。单变量 BWAS 存在许多问题，包括缺乏能力和可靠性，以及无法解释分布式神经回路中嵌入的模式级信息 1–4 。多变量预测模型解决了许多这些问题，并为提供基于大脑的行为和临床状态及特征测量提供了巨大希望 2,3 。在他们最近的论文 4 中，Marek 等人在三个大型神经影像数据集中评估了样本量对单变量和多变量 BWAS 的影响，并得出“BWAS 的可重复性需要数千个个体的样本”的总体结论。我们赞赏他们的全面分析，并且我们同意：(1) 进行单变量 BWAS 时需要大量样本，(2) 多变量 BWAS 会显示出更大的效应，因此更有说服力。Marek 等人 4 发现，多变量 BWAS 提供的样本内关联被夸大了，除非纳入数千名参与者，否则通常无法复制（即没有说服力）。这意味着发现样本的效应大小估计必然被夸大了。然而，我们区分了效应大小估计方法（样本内与交叉验证）和样本（发现与复制），并表明，通过适当的交叉验证，Marek 等人 4 在发现样本中报告的样本内膨胀可以完全消除。通过额外的分析，我们证明，在某些情况下，高质量数据集中的多变量 BWAS 效应可以用小得多的样本量复制。具体而言，将标准多元预测算法应用于人类连接组计划中的功能连接，在 6 种表型中的 5 种测试样本量为 75-500 的情况下产生了可复制的效果（图 1）。这些分析仅限于相对高质量数据集中选定的表型数量（使用单个扫描仪在年轻成年人群中测量），不应过度概括。然而，他们强调，样本量要求的关键决定因素是大脑-表型关系的真实效应大小，并且通过适当的内部验证，可以对中等规模的研究进行适当的效应大小估计和足够大的效应。Marek 等人 4 通过在“发现样本”中训练各种多元模型来评估多元 BWAS 中的样本内效应大小膨胀
维生素D和患有糖尿病患者2型糖尿病的风险
BServational研究为血液25-羟基维生素D水平与2型糖尿病风险之间的逆关联提供了强有力的支持（1）。然而，维生素D是否降低了新发糖尿病的风险的问题仍未得到解答。在测试糖尿病前患者中维生素D降低到糖尿病的糖尿病率的假设（2-4）（2-4）的假设（2-4），分配给维生素D的组中患糖尿病的风险始终低于安慰剂组中；但是，观察到的差异在统计学上并不显着，报道的相对风险降低（10％至13％）小于每个试验的检测（25％至36％）。 从试验中评估了维生素D对糖尿病风险的影响的总汇总数据的两种荟萃分析报告说，用维生素D的新发育糖尿病的统计学上显着的相对风险降低了11％至12％（5，6）。 张及其同事合成了8个试验的结果（总n = 4896；样本量范围，117至2423；随访的期限，6个月至5年），患有糖尿病的人（6）。 其中的三个试验的偏见风险较低（2-4），其余的偏见尚不清楚或高风险。 Barbarawi及其同事合成9个试验的结果（总n = 43559；样本量范围，109至33951；随访时间，1至7年），在上报告了1至7年）在测试糖尿病前患者中维生素D降低到糖尿病的糖尿病率的假设（2-4）（2-4）的假设（2-4），分配给维生素D的组中患糖尿病的风险始终低于安慰剂组中；但是，观察到的差异在统计学上并不显着，报道的相对风险降低（10％至13％）小于每个试验的检测（25％至36％）。从试验中评估了维生素D对糖尿病风险的影响的总汇总数据的两种荟萃分析报告说，用维生素D的新发育糖尿病的统计学上显着的相对风险降低了11％至12％（5，6）。张及其同事合成了8个试验的结果（总n = 4896；样本量范围，117至2423；随访的期限，6个月至5年），患有糖尿病的人（6）。其中的三个试验的偏见风险较低（2-4），其余的偏见尚不清楚或高风险。Barbarawi及其同事合成9个试验的结果（总n = 43559；样本量范围，109至33951；随访时间，1至7年），在
总排名19：Schoolcraft County个人资料
酒精诱导的死亡率N/A ** 9.2 9.6初级保健HPSA低收入 - 除非另有说明，否则每10万人口的学校县费率每100,000人口。n/a =数据不可用。*不同的报告期或年龄组。**零案例或较小的样本量，数据不符合可靠性或精度标准。请参阅附录A有关健康指标和数据源的完整说明。
疫苗诱导的免疫反应
5 研究程序 ................................................................................................................................ 5 5.1 场地规格 ...................................................................................................................... 5 5.2 样本量 ...................................................................................................................... 5 5.3 入选条件 ...................................................................................................................... 5 5.3.1 纳入标准 ...................................................................................................................... 5 5.3.2 排除标准 ...................................................................................................................... 5 5.3.3 受试者中止标准 ...................................................................................................... 5 5.4 入组 ............................................................................................................................. 6 5.5 研究实施 ............................................................................................................................. 6 5.5.1 滴度评估 ...................................................................................................................... 6 5.5.2 免疫学检测 ................................................................................................................ 7 5.6 样本管理 ............................................................................................................................. 7 5.6.1 收集和制备 ................................................................................................................ 7 5.6.2 储存 ................................................................................................................................ 8
DO-228 飞机起动发电机案例研究
摘要 起动发电机用于启动发动机，并在可持续速度后为飞机系统产生电力。对相关文献的回顾揭示了 Do-228 飞机起动发电机大修之间的时间，但并未深入揭示造成这一问题的因素。采用调查研究方法来获取有关这些因素的信息。Raosoft 样本技术计算器：一种主要计算或生成研究或调查样本量的软件，用于从研究人群中获得最小样本量，以技术人员的名义名额为抽样框架。问卷经过专业焦点小组讨论团队的审查和验证。结果显示，影响起动发电机大修间隔时间的因素包括环境因素（10%）、机械因素（20%）、维护不当因素（17%）、到期时间（25%）、使用/生命周期（16%）和老化（12%）。75% 的大修是计划外的。建议飞机起动发电机的大修间隔为 900 而不是 1000 飞行小时，以减少计划外维护。关键词：DO-228 飞机、飞行小时、抽样框架、起动发电机、大修间隔时间 1.0 简介 飞机维护包括几个复杂的
通过多任务元学习实现数据高效的脑连接组分析
脑网络将脑区之间的复杂连接表征为图结构，为研究脑连接组提供了有力的手段。近年来，图神经网络已成为一种流行的结构化数据学习范式。然而，由于数据获取成本相对较高，大多数脑网络数据集的样本量有限，这阻碍了深度学习模型的充分训练。受元学习的启发，元学习可以在有限的训练样本下快速学习新概念，本文研究了在跨数据集环境中分析脑连接组的数据高效训练策略。具体来说，我们建议在大样本量的数据集上对模型进行元训练，并将知识迁移到小数据集。此外，我们还探索了两种面向脑网络的设计，包括图谱变换和自适应任务重新加权。与其他预训练策略相比，我们基于元学习的方法实现了更高、更稳定的性能，这证明了我们提出的解决方案的有效性。该框架还能够以数据驱动的方式获得有关数据集和疾病之间相似性的新见解。
用有限数据验证多光子量子干涉
摘要 多粒子干涉是量子信息处理的关键资源，玻色子采样就是一个典型例子。因此，鉴于其脆弱性，一个必不可少的条件是为其验证建立一个坚实可靠的框架。然而，尽管已经为此引入了几种协议，但该方法仍然支离破碎，无法为未来的发展构建一个大局。在这项工作中，我们提出了一种操作性的验证方法，该方法涵盖并加强了这些协议的最新技术。为此，我们分别将贝叶斯假设检验和统计基准视为小规模和大规模应用最有利的协议。我们在有限样本量下对它们的操作进行了数值研究，将之前的测试扩展到更大的维度，并针对两种用于经典模拟的对抗算法：平均场采样器和都市化独立采样器。为了证明对改进验证技术的实际需求，我们展示了数值模拟数据的评估如何取决于可用的样本量，以及内部超参数和其他实际相关的约束。我们的分析为验证的挑战提供了一般性的见解，并可以启发具有可衡量的量子优势的算法的设计。
用于引导多注意分类的循环网络
近年来，基于注意机制的图像分类越来越受欢迎。最先进的基于注意机制的分类方法通常需要大量的训练集，并且假设图像的标签仅取决于图像中的单个对象（即感兴趣区域）。然而，在许多实际应用中（例如医学成像），收集大型训练集的成本非常高。此外，每张图像的标签通常由多个感兴趣区域（ROI）共同确定。幸运的是，对于这类应用，通常可以收集每张训练图像中 ROI 的位置。在本文中，我们研究了引导式多注意分类问题，其目标是在（1）样本量小和（2）每张图像有多个 ROI 的双重约束下实现高精度。我们提出了一个用于多注意分类的模型，称为引导式注意循环网络（GARN）。与现有的基于注意力机制的方法不同，GARN 利用了多个 ROI 的引导信息，因此即使样本量较小，也能很好地发挥作用。对三种不同视觉任务的实证研究表明，我们的引导注意力方法可以有效提升多注意力图像分类的模型性能。
Roche组合疗法的功能治疗方法
*一个参与者在基线访问之前随机撤回同意书，而Alt，HBEAG，HBV RNA和HBSAG信息则在基线缩写下没有提供：％，百分比； LLOQ，定量下限； n，样本量； Na，核（t）IDE类似物（Entecavir或Tenofovir disoproxy fumarate或Tenofovir alafenamide）； peg-ifn-α，pegyped干扰素α; SD，标准偏差； ULN，正常的上限。