XiaoMi-AI文件搜索系统
World File Search System读者
2025常规会议 - 参议院法案428第一读者
Henson，Hettleman，Kagan，Lam，Love，M。Washington和West首次介绍和阅读：2025年1月20日，分配给：教育，能源和环境
2024首席读者报告-AP计算机科学原则
AP计算机科学原理考试的书面响应提示围绕创建绩效任务，在该任务中，学生至少将上课时间为9个小时的时间来开发一个计算机程序，以解决需求，关注，个人兴趣或创造性表达。学生可以使用任何编程语言，包括基于文本的语言（例如Python，JavaScript）或基于块的语言（例如刮擦，snap！）创建他们的程序。他们被允许与合作伙伴一起使用，使用启动器代码并使用AI工具（通过程序代码组件中的注释引用）。学生单独创建一个简短的视频，该视频演示了他们的程序的运行，说明了输入，功能和输出。他们还准备一个带有程序代码屏幕截图的个性化项目参考表（没有任何注释）。他们的个性化项目参考包括一个学生开发的过程定义，其中至少一个明确的参数以及对随附的过程的调用，以及如何将数据存储在列表或集合中，以及如何在程序中使用列表或集合中的数据。
2025 年例会 - 参议院第 271 号法案第三读者
说明：大写字母表示在现行法律中增加的内容。[ 括号 ] 表示从现行法律中删除的内容。下划线表示对法案的修正。删除线表示通过修正案从法案中删除的内容或通过
2022 年例会 - 参议院第 394 号法案第三读者
说明：大写字母表示在现行法律中增加的内容。[ 括号 ] 表示从现行法律中删除的内容。下划线表示对法案的修正。删除线表示通过修正案从法案中删除的内容或通过
比较人类和人工智能医学机器学习中的性能：用于读者研究数据统计分析的开源 Python 库
为了了解人工智能 (AI) 对诊断医学实践的潜在影响，许多调查涉及收集多位人类专家对一组常见病例的解释。为了标准化分析此类研究数据的过程，我们发布了一个开源 Python 库来执行适用的统计程序。该软件实现了行业标准的 Obuchowski-Rockette-Hillis (ORH) 方法，用于多读者多病例 (MRMC) 研究。这些工具可用于将独立算法与读者小组进行比较，或比较以两种模式操作的读者（例如，有和没有算法辅助）。该软件支持非等效性和非劣效性检验。还提供了模拟读者和模型分数的函数，可用于蒙特卡洛功效分析。该代码在我们的 Gitub 存储库中公开提供，网址为 https://github.com/Google-Health/google-health/tree/master/analysis 。
从减少剂量到最大化对比度：深度学习能否放大造影剂对脑部 MRI 图像质量的影响？一项读者研究
材料和方法 这项回顾性单中心研究考虑纳入 2019 年 11 月至 2021 年 3 月在 Gustave Roussy 癌症园区（法国维尔瑞夫）获取的共 250 张多参数脑 MRI。定义了独立的训练（107 例，年龄 55 岁±14 岁，58 名女性）和测试（79 例，年龄 59 岁±14 岁，41 名女性）样本。患者患有神经胶质瘤、脑转移、脑膜瘤或无增强病变。在所有病例中均获取了具有可变翻转角的梯度回波和涡轮自旋回波对比后 T1 序列。对于形成训练样本的病例，还获取了使用 0.025 mmol/kg 造影剂注射的“低剂量”对比后梯度回波 T1 图像。以标准剂量 T1 MRI 为参考，训练了一个深度神经网络来合成增强低剂量 T1 采集。训练完成后，对比增强网络用于处理测试梯度回波 T1 图像。然后由两名经验丰富的神经放射科医生进行读片，以评估原始和处理后的 T1 MRI 序列的对比增强和病变检测性能，以快速自旋回波序列为参考。结果对于增强病变的病例，处理后图像的对比噪声比（44.5 比 9.1 和 16.8，p<.001）、病变与脑组织比（1.66 比 1.31 和 1.44，p<.001）和对比增强百分比（112.4% 比 85.6% 和 92.2%，p<.001）均优于原始梯度回波和参考快速自旋回波 T1 序列。两位读者都更喜欢处理后的 T1 的整体图像质量（平均评分为 3.4/4 比 2.7/4，p<.001）。最后，对于大于 10 毫米的病变，所提出的处理方法将梯度回波 T1 MRI 的平均灵敏度从 88% 提高到 96%（p=.008*），而误检率则没有差异（两种情况下均为 0.02/例，p>.99）。考虑所有大于 5 毫米的病变时观察到了相同的效果：灵敏度从 70% 提高到 85%（p<.001*），而误检率保持相似（0.04/例 vs 0.06/例，p=.48）。如果包括所有病变，无论其大小如何，原始和处理后的 T1 图像的灵敏度分别为 59% 和 75%（p<.001*），相应的误检率为 0.05/例和 0.14/例（p=.06）。
规划并开始你的写作项目
再次查看作业指南。作业指南中的哪些语言指导你为特定读者群写作？如果你的写作作业指南中没有包含任何内容，那么你的导师与你分享了哪些有关项目读者群的信息？在此处总结你的导师与项目读者群分享的内容：如果你的导师几乎没有或根本没有提供有关读者群的指导，请在下方确定你认为该项目的读者群应该是谁。注意：避免考虑“一般读者”。没有这种东西，因为所有读者都是特定的。此外，对于大多数大学写作项目，如果你避免将导师视为读者，你的写作将受益匪浅。相反，将读者视为大学教职员工、研究人员和其他受过良好教育、对你的学科有一定专业知识的读者。有时你的导师并不具备你的学科的专业知识！仔细考虑你的目标读者的以下特征。在这里你做出了广泛的假设，但尽量不要将此过程视为刻板印象。相反，这是你考虑读者独特身份、价值观、观点、背景和人生经历的地方。一定要避免使用包罗万象的描述，例如“我的读者来自世界各地，各个年龄段、各个教育水平……”。这是否意味着你写作的读者群包括居住在中国大陆的 1 岁儿童以及在瑞士大型强子对撞机工作的粒子物理学家？对你的目标读者要现实一点。你的读者的年龄范围和教育水平是多少？你的读者住在哪里？你的读者的政治倾向是什么？你的读者的宗教信仰是什么？你的读者的种族/民族是什么？你的读者的性别认同是什么？你的读者的爱好、兴趣和职业是什么？你的读者对这个话题的总体立场是什么？你的读者相信什么？你的读者持有的哪些价值观与你的话题相关？你的读者对你的主题已经了解什么，他们可能会在哪些方面反对你的立场？
批判性模因阅读器 ii - 网络文化研究所
INC 读者 #15：Chloë Arkenbout、Jack Wilson 和 Daniel de Zeeuw（编辑），《批判性模因读者：病毒图像的全球突变》，2021 年。INC 读者 #14：Geert Lovink 和 Andreas Treske（编辑），《视频漩涡读者 III：Youtube 十年内幕》，2020 年。INC 读者 #13：Miriam Rasch（编辑），《让我们变得有形》，INC 长篇样本 2015-2020，2020 年。INC 读者 #12：Loes Bogers 和 Letizia Chiappini（编辑），《批判性制造者读者：（不）学习技术》，2019 年。INC 读者 #11：Inte Gloerich、Geert Lovink 和 Patricia de Vries（编辑），《MoneyLab 读者 2：克服炒作》， 2018。INC 读者 #10：Geert Lovink、Nathaniel Tkacz 和 Patricia de Vries（编），MoneyLab 读者：数字经济中的干预，2015。INC 读者 #9：René König 和 Miriam Rasch（编），查询社会：对网络搜索的思考，2014。INC 读者 #8：Geert Lovink 和 Miriam Rasch（编），与我们不一样：社交媒体垄断及其替代品，2013。INC 读者 #7：Geert Lovink 和 Nathaniel Tkacz（编），批判观点：维基百科读者，2011。INC 读者 #6：Geert Lovink 和 Rachel Somers Miles（编），视频漩涡读者 II：超越 YouTube 的移动图像，2011。INC 读者 #5：Scott McQuire、Meredith Martin 和Sabine Niederer (eds)，《城市屏幕读本》，2009 年。INC 读本 #4：Geert Lovink 和 Sabine Niederer (eds)，《视频漩涡读本：对 YouTube 的回应》，2008 年。INC 读本 #3：Geert Lovink 和 Ned Rossiter (eds)，《我的创造力读本：对创意产业的批判》，2007 年。INC R