XiaoMi-AI文件搜索系统
World File Search System炒作
![引用 (APA) Dwivedi, YK、Hughes, L.、Baabdullah, AM、Ribeiro-Navarrete, S.、Giannakis, M.、Al-Debei, MM、Dennehy, D.、Metri, B.、Buhalis, D.、Cheung, CMK、Conboy, K.、Doyle, R.、Dubey, R.、Dutot, V.、Felix, R.、Goyal, DP、Gustafsson, A.、Hinsch, C.、Jebabli, I.、...... Wamba, SF (2022)。超越炒作的元宇宙：关于新兴挑战、机遇和研究、实践与政策议程的多学科视角。国际信息管理杂志，66，[102542]。 https://doi.org/10.1016/j.ijinfomgt.2022.102542 重要提示 如需引用本出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。](/simg/f/f8092e2e47455a6766068aade03681e01eb6e9fc.webp)
引用 (APA) Dwivedi, YK、Hughes, L.、Baabdullah, AM、Ribeiro-Navarrete, S.、Giannakis, M.、Al-Debei, MM、Dennehy, D.、Metri, B.、Buhalis, D.、Cheung, CMK、Conboy, K.、Doyle, R.、Dubey, R.、Dutot, V.、Felix, R.、Goyal, DP、Gustafsson, A.、Hinsch, C.、Jebabli, I.、...... Wamba, SF (2022)。超越炒作的元宇宙：关于新兴挑战、机遇和研究、实践与政策议程的多学科视角。国际信息管理杂志，66，[102542]。 https://doi.org/10.1016/j.ijinfomgt.2022.102542 重要提示 如需引用本出版物，请使用最终出版版本（如适用）。请检查上面的文档版本。
Yogesh K. Dwivedi a , b , * , Laurie Hughes a , Abdullah M. Baabdullah c , Samuel Ribeiro-Navarrete d , Mihalis Giannakis e , Mutaz M. Al-Debei f , g , Denis Dennehy h , Bhimaraya Metri i , Dimitrios Buhalis j , MK , Cheran Kibo y l , 1 , Ronan Doyle m , 1 , Rameshwar Dubey n , o , 1 , Vincent Dutot p , 1 , Reto Felix q , 1 , DP Goyal r , 1 , Anders Gustafsson s , 1 , Chris Hinsch t , 1 , Ikram Jebli , Jan G , 1 , G. Young ab Kim w , 1 , Jooyoung Kim x , 1 , Stefan Koos y , 1 , David Kreps z , 1 , Nir Kshetri aa , 1 , Vikram Kumar ab , 1 , Keng-Boon Ooi ac , ad , ae , 1 , Savvas Papagiannidis , aflias af , 1 , I ag , Pariaas , 1 , Apparia . na Polyviou ai , 1 , Sang-Min Park aj , 1 , Neeraj Pandey ak , 1 , Maciel M. Queiroz al , 1 , Ramakrishnan Raman am , 1 , Philipp A. Rauschnabel an , 1 , Anuragini Shirish aoanna , 1 , Marina Sigala , Apna , Konstantina , 1 1 , Garry Wei-Han Tan as , at , 1 , Manoj Kumar Tiwari au , av , 1 , Giampaolo Viglia aw , ax , 1 , Samuel Fosso Wamba ay , 1
已发表版本引文（哈佛）：Nemorin, S, Vlachidis, A, Ayerakwa, HM 和 Andriotis, P 2022，《人工智能被炒作？对教育（AIED）和发展中人工智能话语的地平线扫描》，学习、媒体和技术。https://doi.org/10.1080/17439884.2022.2095568
摘要 本研究旨在了解人工智能生态系统如何与一种知识生产形式有关，这种形式具体化了某些类型的认识论。本文利用文本挖掘和主题分析，对过去几年 AIEd 辩论中出现的关键主题进行了横向扫描。我们首先讨论用于试验数字数据收集和分析方法的工具。然后，本文探讨了教育系统中的人工智能是如何被构想、炒作以及可能如何部署到全球教育环境中的。研究结果分为三个主题：（1）通过教育和技术创新实现地缘政治主导地位；（2）创造和扩大市场利基，以及（3）管理叙述、看法和规范。
炒作或希望
已经开发出三代表皮生长因子受体受体 - 酪氨酸激酶抑制剂（EGFR-TKIS）用于治疗具有EGFR-ATCATI Vating突变的晚期/转移性非小细胞肺癌（NSCLC）患者，而第四代人正在接受临时评估。尽管最初是有效的，但由于具有多种电阻机制的克隆的出现，对EGFR-TKI的耐药性通常在一年内出现。因此，EGFR-TKI与其他治疗剂的组合已成为克服抵抗力并改善临床结果的潜在策略。然而，到目前为止获得的结果对于在EGFR-TKIS治疗期间经历疾病进展的患者来说是模棱两可的疗法，这仍然难以捉摸。本综述提供了EGFR-TKIS的更新景观，并描述了引起对这些药物的抵抗力的机制。此外，它讨论了有关使用EGFR-TKI与其他抗癌代理联合使用的当前知识，局限性和将来的观点，从而支持对选定人群中台式床边方法的需求。
人工智能应用于电池研究：炒作还是现实？
1.简介 B 1.1.什么是 AI？C 1.2.关于数据的重要性和良好实践 D 1.3.监督和非监督方法 E 1.4.超参数 E 1.5.最常用的机器学习方法 F 1.5.1.神经网络 F 1.5.2.决策树、随机森林、Boosting 和 Bagging 方法 G 1.5.3.支持向量机 G 1.5.4. k-最近邻 G 1.5.5.基于概率的方法 G 1.5.6.生成模型和逆向设计 H 1.6。编程语言和平台 I 1.7。大纲/范围 I 2。材料设计和合成的应用 J 2.1。材料发现 J 2.1.1。活性电极材料 K 2.1.2。固体电解质 M 2.1.3。液体电解质 N 2.2。材料的加速多尺度建模 O 2.3。实验规划、材料筛选和合成 Q 2.4。观点与挑战 R 3.应用于电极和电池制造 S
武器化和过度炒作：高超音速技术
高超音速武器主要有两种类型：高超音速巡航导弹 (HCM) 和高超音速滑翔飞行器 (HGV)。北约科学技术组织等一些机构还将高超音速“后隐形”攻击和侦察机列入其中，预计到 2030 年代问世。HCM 是现有巡航导弹的加速版，飞行高度为 20-30 千米。它们由称为超音速燃烧冲压发动机的吸气式喷气发动机推进。这些“超燃冲压发动机”在燃烧阶段之前将进入的空气压缩在一个短漏斗中，使发动机在高速下极其高效地运转。由于超燃冲压导弹直接从大气中获取必要的氧气，因此体积更小、机动性更强。相比之下，HGV 则是无推进式，依靠火箭助推滑翔技术升入高层大气。在 40-100 公里的高度释放后，它们以高超音速飞行，无需关闭动力即可打击目标。它们能够机动并在不同高度释放，这使得它们的轨迹难以预测和计算。
人工智能在检测、诊断和流行病学领域对抗击 COVID-19 的前景：超越炒作
COVID-19 造成了巨大的痛苦，影响了人们的生活，甚至导致死亡。这种冠状病毒传播的容易程度暴露了世界各地许多医疗保健系统的弱点。自疫情出现以来，世界各地的许多政府、研究团体、商业企业和其他机构和利益相关者一直在以各种方式努力遏制疾病的传播。科学技术帮助许多政府实施了旨在减轻疫情影响以及诊断和治疗疾病的政策。最近的技术工具，尤其是人工智能 (AI) 工具，也被用于追踪冠状病毒的传播、识别高死亡风险的患者和诊断患者是否患有该疾病。本文讨论了人工智能技术在检测、诊断和流行病学预测、预报和社会控制中用于对抗 COVID-19 的领域，重点介绍了成功应用的领域，并强调了在抗击 COVID-19 和未来疫情方面取得重大进展需要解决的问题。目前已开发出多种使用医学成像方式（例如胸部 CT 和 X 射线图像）诊断 COVID-19 的 AI 系统。这些 AI 系统主要在图像分割、分类和疾病诊断算法的选择上有所不同。其他基于 AI 的系统则专注于预测 COVID-19 的死亡率、患者的长期住院率和患者预后。AI 在抗击 COVID-19 大流行方面具有巨大潜力，但迄今为止这些基于 AI 的工具在实际应用中的成功部署受到限制，原因是数据可访问性有限、需要对 AI 模型进行外部评估、AI 专家对医疗领域 AI 工具部署的监管环境缺乏认识、临床医生和其他专家需要在多学科背景下与 AI 专家合作，以及需要解决公众对数据收集、隐私和保护的担忧。拥有一支在医疗数据收集、隐私、访问和共享方面具有专业知识的专业团队，使用联邦学习，即人工智能科学家将训练算法交给医疗机构在本地训练模型，并充分利用存储在生物库中的生物医学数据，可以缓解这些挑战带来的一些问题。应对这些挑战
真正的炒作：通过呼吸工程减少藻类损失，提高产量和生产力
1. 藻类生物量生产力 o M. gaditana 菌株的生物量生产力提高 20%，将显著提高 2030 年 25 克/立方米/天的目标生产力 o 户外使用可能还需要做出额外努力： 批准避免重组蛋白的转基因生物或突变方法 扩大规模测试 SNL 温室中的 100 升微型跑道池 o 遗传目标还可以通过减少暗损失来提高其他藻类菌株的生物量生产力
人工智能并非炒作 - AIS eLibrary
人工智能 (AI) 在全球企业中的应用越来越广泛。尽管该领域已有研究，但人们对采用因素和必要的 AI 规范知之甚少，而这些因素和规范可确保组织成功采用这项技术创新。本研究通过分析 AI 的采用过程填补了文献中的这一空白。本研究的概念框架基于技术-组织-环境 (TOE) 框架和创新传播理论 (DOI)，用于从组织角度评估 AI 的采用过程。通过在澳大利亚对 18 位专家受访者进行半结构化访谈，对该概念框架进行了测试和验证，以了解其对 AI 采用过程的适用性。研究结果表明，相对优势、兼容性、高层管理支持、管理障碍、组织准备情况和政府监管支持是 AI 采用的重要决定因素。在学术贡献方面，本研究从组织的角度更好地理解了与采用 AI 有关的关键因素。实证结果进一步支持在组织层面使用 DOI 和 TOE 框架的适用性，以进一步了解 AI 的采用情况。就实际意义而言，本研究为澳大利亚组织提供了有关如何改进 AI 采用的相关建议。
