XiaoMi-AI文件搜索系统
World File Search System系统评价
系统评价与荟萃分析
全球有 22 亿视力障碍者，其中近一半是可以预防或尚待解决的 [1,2]。如果不进行干预，视力障碍会导致大量患病，增加卫生服务需求，并带来每年约 2440 亿美元的全球经济负担 [3]。随着糖尿病和心脏病等非传染性疾病在年轻人群中越来越普遍，由合并症引起的视网膜病变也变得越来越常见 [4]。同样，早产儿视网膜病变 (ROP) 是全球儿童失明的最常见原因，由于新生儿重症监护服务有限和诊断较晚，带来了巨大的医疗负担 [5]。改善眼病筛查的可及性是一个明智的解决方案，但随着全球人口的增长、人口结构向老龄化转变以及临床医生的可用性仍然不足，这些挑战成为眼保健服务的瓶颈 [6]。
绿色人工智能的系统评价
随着基于人工智能的系统被越来越多地采用，人工智能的碳足迹已不再可以忽略不计。因此，人工智能研究人员和从业者被敦促对他们设计和使用的人工智能模型的碳排放负责。这导致近年来出现了针对人工智能环境可持续性的研究，这一领域被称为绿色人工智能。尽管人们对该主题的兴趣迅速增长，但迄今为止仍然缺乏对绿色人工智能研究的全面概述。为了弥补这一差距，在本文中，我们对绿色人工智能文献进行了系统回顾。从对 98 项主要研究的分析中，出现了不同的模式。从 2020 年起，该主题经历了相当大的增长。大多数研究考虑监测人工智能模型足迹、调整超参数以提高模型可持续性或对模型进行基准测试。立场文件、观察性研究和解决方案文件混合存在。大多数论文侧重于训练阶段，与算法无关或研究神经网络，并使用图像数据。实验室实验是最常见的研究策略。据报道，绿色人工智能的节能效果高达 115%，节能效果超过 50% 的情况相当普遍。工业界也参与了绿色人工智能的研究，尽管大多数研究都针对学术读者。绿色人工智能工具供应稀缺。总而言之，绿色人工智能研究领域已经达到了相当高的成熟度。因此，从这篇评论中可以看出，现在是采用其他绿色人工智能研究策略的合适时机，并将众多有前景的学术成果移植到工业实践中。
系统评价中的人工智能
摘要背景系统评价对医学科学研究中的现有证据提供了结构化的概述。然而，由于医学科学研究成果的不断增加，进行系统评价是一项耗时的任务。为了加速这一进程，可以在审查过程中使用人工智能（AI）。在本文中，我们建议如何在标题和摘要筛选中使用人工智能工具“ASReview”进行透明可靠的系统评价。方法人工智能工具的使用包括几个步骤。首先，该工具在筛选前需要用几篇预先标记的文章训练其算法。接下来，使用研究人员在环算法，人工智能工具提出了相关概率最高的文章。然后，审稿人决定所提出的每篇文章的相关性。这个过程一直持续到达到停止标准。审稿人标记为相关的所有文章都经过全文筛选。结果 在系统评价中使用人工智能时，确保方法学质量的考虑因素包括：是否使用人工智能、是否需要删除重复数据并检查评审员之间的一致性、如何选择停止标准以及报告质量。在我们的评价中使用该工具节省了大量时间：只有 23% 的文章由评审员评估。结论只要使用得当，人工智能工具就可以确保方法学质量，它是当前系统评价实践的一项有前途的创新。PROSPERO 注册号 CRD42022283952。
对人工智能使用的系统评价
摘要 技术正在深刻地改变我们的日常生活。人工智能是关于模仿人类智能的机器的发展，它可以从经验中学习并做出理性决策。大数据是从互联网上大量、快速和多样化地爆发的数据。包含过去和现在数据的大型数据存储库是预测分析和人工智能的基础。因此，教育与信息通信技术的融合已将教育系统从传统的以课堂教师为中心转变为随时随地（24x7）以学习者为中心的灵活模式。人工智能是有效解决学生问题的最佳方式，使组织能够发现他们在不同方面的能力。如今，机器人正在各种组织中完成一系列简单和复杂的任务。本文将概述人工智能及其在高等教育领域的作用，重点关注提高人的能力、赋予员工权力和互动学习。在这个复杂而竞争激烈的环境中，人工智能在高等教育机构中的应用面临着许多当代挑战，如成本高、缺乏专业人员、软技能薄弱、缺乏社交技能、道德行为和情感、技术障碍、劳动力流失等。因此，机器尚未准备好取代人类，但在提高人类能力方面做出了巨大贡献。因此，为了避免机器完全取代人类，教师必须在学生中培养机器无法学习的高阶思维、创造力、元认知和人类技能。通过这种方式，我们可以在硬技能和软技能之间取得平衡。关键词：大数据、人工智能、互动学习、劳动力流失、人类技能
机器学习调查的系统评价
摘要：自杀是全球范围内难以预测的首要死亡原因，对预防工作提出了挑战。人工智能 (AI) 和机器学习 (ML) 已成为研究大型数据集以增强风险检测的一种手段。使用 PubMed / MEDLINE、PsychInfo、Web-of-Science 和 EMBASE 对评估自杀行为的 ML 调查进行了系统评价，采用与自杀和 AI 相关的搜索字符串和 MeSH 术语。数据库由手动搜索技术和 Google Scholar 补充。纳入标准：(1) 期刊文章，提供英文版，(2) 原始调查，(3) 使用 AI / ML，(4) 评估自杀风险结果。根据摘要搜索确定了 N = 594 条记录，并确定了 25 份手动搜索的报告。删除重复项后保留 N = 461 份报告，摘要筛选后排除 n = 316 份。在 n = 149 篇经过评估符合条件的全文文章中，n = 87 篇被纳入定量综合，并根据自杀行为结果分组。报告在方法和结果方面差异很大。结果表明，在预测自杀行为方面，风险分类准确率（> 90%）和曲线下面积 (AUC) 水平很高。我们报告了使用 AI/ML 框架指导进一步研究的关键发现和主要局限性，这些研究有可能对自杀产生广泛的影响。
对人工智能在...的应用的系统评价
摘要 人工智能 (AI) 最近开始对教育领域产生影响。尽管人工智能 (AI) 早已存在于医学、工程、新闻和法医分析等其他领域，但它只是在 2022 年 11 月底推出 ChatGPT 后才对教育领域产生影响。生成式人工智能被视为一种工具，可以在学术领域协助教师和学生，例如产生想法、评估论文、讲故事和提供反馈。它甚至被认为是学生手稿和论文中的合著者。然而，人工智能 (AI) 仍在写作领域的研究中，因为它是最近才引入的。基于表明人工智能在写作中很少使用的差距，本研究希望启发研究人员、教育工作者和应用程序开发人员专注于开发用于写作的人工智能应用程序。这是通过对过去 10 年人工智能 (AI) 在写作中的使用情况进行系统回顾来实现的。关键词：人工智能、写作、教育技术、系统文献综述简介
数字孪生系统的系统评价...
数字孪生系统在智能工厂中用于改进设备预测性维护的系统评价 Fredrick Nnaemeka Okeagu、Chika Edith Mgbemena 纳姆迪阿齐基韦大学工业/生产工程系，P.M.B. 5025，阿乌卡，尼日利亚。 *通讯作者：Chika Edith Mgbemena，纳姆迪阿齐基韦大学，P.M.B. 5025，阿乌卡，阿南布拉州，尼日利亚。电子邮件：ce.mgbemena@unizik.edu.ng 摘要 在生产系统组件的管理和监控中部署智能系统已提高制造车间的质量和生产率。本文系统地评价了数字孪生和其他智能系统在车间设备预测性维护中的应用。许多数据库（例如 Google Scholar、Scopus、IEEE Xplore、Research Gate 和 Science Direct）都用于数据收集。研究表明，数字孪生等智能系统是生产系统中设备预测性维护的有效工具。这已被发现可以提高生产率并减少生产系统的停机时间。该研究重点介绍了在智能工厂中部署数字孪生等智能系统用于设备预测性维护的当前趋势、优势和局限性。关键词：智能系统、制造设备、工业 4.0、智能工厂、维护。
机器学习和人工智能的系统评价
AI 应用对糖尿病护理的潜在影响是巨大的，它能够帮助数百万糖尿病患者更好地控制血糖，减少低血糖发作，并预防糖尿病相关的合并症和并发症。AI 应用具有多种优势，例如提高了准确性、效率、易用性，并提高了糖尿病患者及其临床医生、家人和护理人员的满意度。
系统评价和荟萃分析
近 10 年中，OPSCC 的发病率越来越高，流行病学数据显示 HPV + OPSCC 的增加速度更快。10,11 2021 年，全球 HPV + HNSCC 的比例为 33%，其中 85% – 96% 与 HPV-16 相关。10 美国国家综合癌症网络 (NCCN) 指南建议使用组织活检检测 p16 IHC（HR HPV 感染的替代标志物）以诊断 HPV + OPSCC。目前的诊断程序具有侵入性、成本高且依赖于用户。12 此外，细针抽吸 (FNA-C) 是一种常见的诊断方法，由于细胞采样不足，失败率高达 20% – 30%。13 – 17 此外，FNA-C 标本上的 p16 IHC 几乎无法检测到，病理学家和机构之间缺乏共识。因此，通常需要在手术室进行组织活检以证明 HPV + OPSCC 的诊断，从而导致额外的侵入性操作、诊断延迟和成本增加。18 尽管无细胞 DNA（cfDNA）是一种有前途的生物标志物，可用于诊断和监测癌症治疗以及检测残留疾病和复发，19 - 21 但其使用受到与敏感性（在正常 DNA 背景下检测体细胞 cfDNA 改变）和特异性（cfDNA 改变对特定类型的癌症并没有内在特异性）相关的挑战日益增加的限制。22,23
机器学习模型的系统评价......
摘要 心脏病是全球主要的死亡原因之一，因此早期发现和预测心脏病对于挽救生命至关重要。机器学习（ML）算法有可能通过提高诊断准确性和改善患者治疗效果来彻底改变医疗保健系统。本研究回顾了以前应用深度学习（DL）和ML技术预测心脏病的研究。从研究中可以看出，大多数工作都使用了监督ML算法，包括支持向量机（SVM）、梯度提升分类器（GB）、决策树（DT）、随机森林（RF）和逻辑回归（LR），这些算法已被用于UCI机器学习库（Heart）数据集来预测心脏状况。这些算法的准确率各不相同，研究报告的成功率在88%到95%之间。本综述探讨了影响这些结果的因素，有助于更好地理解基于ML的心脏病预测模型。