技术转让涉及知识从技术开发者或拥有者流向从知识中受益的技术获取者。本文提出了一个模型,用于评估发达国家向发展中国家的复杂技术转让项目中的知识流。所提出的知识流模型是通过将知识粘度和速度的概念与架构和组件知识的概念相结合而建立的。该模型基于这样的理念:向资源有限的组织(例如发展中国家的组织)转移知识,一方面需要在粘度和速度之间取得平衡,另一方面需要在架构和组件知识之间取得平衡。知识流模型已在三个地球观测小型卫星合作项目的数据上进行了测试,阿尔及利亚利用这些合作项目来从国外获取小型卫星技术并建立本地能力。该模型的实施表明,合作项目只能获得脱离当地环境的浅层架构知识。研究结果反映了合作项目机制的局限性以及技术获取者在实现适当的组件/架构和粘度/速度平衡方面面临的挑战。关键词:小型卫星技术转让;技术转让建模;发展中国家;复杂技术转让;知识流。
对长期意识障碍 (pDOC) 患者提供准确的预后仍然是一个临床挑战。大型横断面研究已经证明了使用高密度脑电图 (hdEEG) 测量的功能性大脑网络的诊断和预后价值。尽管如此,这些神经测量的预后价值尚未通过纵向随访进行评估。我们通过评估 hdEEG 预测长期行为结果的效用来解决这一差距,采用从一组患者中收集的纵向数据,这些患者在两年的时间内通过床边的静息 hdEEG 和昏迷恢复量表修订版 (CRS-R) 进行系统评估。我们使用典型相关分析将临床(包括 CRS-R 评分与人口统计变量相结合)和 hdEEG 变量相互关联。该分析显示,患者的年龄、hdEEG θ 波段功率和 alpha 波段连接对 hdEEG 与临床变量之间的关系贡献最为显著。此外,我们发现,评估时记录的 hdEEG 测量结果增强了临床测量结果,有助于预测下次评估时的 CRS-R 分数。此外,hdEEG 变化率不仅可以预测 CRS-R 分数的后续变化,而且在预测能力方面也优于临床测量结果。总之,这些发现表明,功能性大脑网络的改善先于 pDOC 的行为意识变化。我们在此证明,在专科护理院进行的床边 hdEEG 评估是可行的,具有临床实用性,并且可以补充临床知识和系统性行为评估,以指导预后和护理。
自1937年成立以来,NOF Group的我们一直致力于通过满足当前需求的产品的供应来为各个行业领域的发展做出贡献。我们忠于“为人类和社会作为一个企业群体做出贡献的管理哲学,从生物圈到外太空创造新价值,从而创造新价值”。现代世界面临着各种各样的问题,包括气候变化,资源和能源问题以及健康与安全问题。帮助解决这些问题作为一个开发并提供有助于繁荣的功能材料的公司集团,NOF集团将通过将我们的公司资源投资于生命/医疗保健,环境/能源和电子学/IT的三个业务领域来增长。我们为客户提供创新的技术以及满足其需求的定制产品,旨在建立长期的合作伙伴关系并与他们一起成长。此外,我们主动进行企业社会责任活动,以促进实现可持续社会的贡献,希望我们的利益相关者将继续被信任的公司视为可信赖的公司。我们要感谢大家对NOF Group的业务运营的持续理解和支持。
技术促成的性别暴力 (TF GBV) 是一个全球性问题。它指的是通过使用信息通信技术或其他数字工具实施、协助、加剧或放大的任何行为,导致或可能导致身体、性、心理、社会、政治或经济伤害,或其他侵犯权利和自由的行为。它对妇女和女童的影响尤为严重。它是一种基于性别的歧视和侵犯人权的行为。1 它由权力不平衡、父权制和厌女症驱动,2 并且发生在多种、反复出现且相互关联的性别暴力形式之中。3 TF GBV 还加剧了现有的暴力形式(例如性骚扰和亲密伴侣暴力),并包括新形式的暴力(例如变焦轰炸)。
白粉病是草莓生产中最严重的疾病之一。迄今为止,很少有商业草莓品种被认为具有完全抗性,因此必须实施广泛的喷药计划来控制病原体。在这里,我们进行了一项大规模田间试验,以确定不同草莓基因型的叶片和果实组织的白粉病抗性状况。这些表型数据用于识别与组织特异性白粉病抗性相关的数量性状核苷酸 (QTN)。总共发现六个稳定的 QTN 与叶面抗性有关,其中一个位于 7D 染色体上的 QTN 与抗性增加 61% 相关。与叶片结果相反,没有与果实抗病性相关的 QTN,在草莓果实上观察到高水平的抗性,果实和叶片症状之间没有观察到遗传相关性,表明组织特异性反应。除了识别基因位点之外,我们还证明了基因组选择可以快速提高基因型的叶面抗性,并有可能捕获种群中存在的 50% 以上的遗传叶面抗性。迄今为止,草莓中强抗白粉病的育种一直受到天然抗性的定量性质以及缺乏有关该性状的遗传控制知识的阻碍。这些结果解决了这一不足,为社区提供了可用于基因组知情育种的大量信息,实施该育种可以提供对抗白粉病的天然抗性策略。
通过机器学习生成设计一直是计算机辅助设计领域的一项持续挑战。最近,深度学习方法已被用于随机生成时尚、家具和产品设计中的图像。然而,这种深度生成方法通常需要大量的训练图像,并且在设计过程中没有考虑到人为因素。在这项工作中,我们寻求一种方法,通过脑电图测量 (EEG) 指示的大脑活动将人类认知因素纳入生成过程。我们提出了一种受神经科学启发的机器学习设计方法,其中使用 EEG 来捕获首选的设计特征。此类信号用作生成对抗网络 (GAN) 中的条件。首先,我们使用循环神经网络 (LSTM - 长短期记忆) 作为编码器,从原始 EEG 信号中提取 EEG 特征;这些数据是从受试者观看 ImageNet 中的几类图像时记录下来的。其次,我们训练一个以编码的 EEG 特征为条件的 GAN 模型来生成设计图像。第三,我们使用该模型从受试者的 EEG 测量大脑活动生成设计图像。
1参见Constellation Mystic Power,LLC,授予豁免请求的命令,182 FERC¶61,181(2023)(授予豁免请求以延长协议中的截止日期)。