XiaoMi-AI文件搜索系统
World File Search System量表
奥林匹亚人的强度量表2024 V01英语
感知的劳累（RPE）非常轻/光。I-1中的训练也应该轻松/轻松舒适，即使在大多数运动方式中进行更长的时间。Borg（6 - 20）：<11 CR10（0 - 10）：1-2％的AV HR MAKS 〜55–72％，但请注意，HR将取决于几个因素，包括运动方式，训练状态，精神压力水平环境状况和高度。vo 2max 〜45–55％的百分比，但请注意，vo 2max的百分比在某种程度上取决于几个因素，包括运动方式和训练状态。乳酸〜0.5–1.0 mmol/l。这是个人和特定于运动的。使用血液乳酸作为强度的有效度量需要足够的经验。通风/呼吸速率每分钟的呼吸数通常<30，使一个人毫不费力地散布了长时间的句子。精疲力尽的时间因运动方式和健身水平而异。例如，精英骑自行车的人将能够以这种强度维持几个小时。总持续时间取决于运动，目标和健身水平。在跑步时，可以合适45分钟或更长时间。对于骑自行车，通常需要明显更长的会话。在大多数运动中的间隔持续时间，I-1的持续训练既常见又有益。但是，在培训课程中合并短暂休息也可能是合适的。这些休息时间有助于保持良好的技术并保持重点，尤其是在技术要求的耐力运动中。休息时间不适用。评论I-1是指有氧训练，通常将其作为连续工作。为了确保持续时间足够长并防止过度恢复时间，在持续90-120分钟的训练课程中补充液体和营养很重要。
博士后研究员德国工资量表TV-L E13，教授...
1- NA-ion电池负电极材料的合成和表征。在这项工作中，候选人将与PhD学生并排放置，以合成，分析并最终改善NA-ON-ON-ON-AIN电池的负电极复合材料的性能。这些将基于硬碳与不同合金材料之间的相互作用。各种合成方法将受到潜在使用和测试，涵盖机械化学，喷干，溶胶 - 凝胶等。扩大规模的潜力将是评估方法的重要标准。为了进行表征，我们可以访问各种分析工具，包括SEM，XRD，SAXS，Raman，层析成像，并且我们可以广泛访问大型仪器。
成长心态量表
在本文中，探索了旨在量化生长心态的新量表的心理测量特性。增长思维量表是一种定量度量，它是独立的，易于管理的。在16至85岁之间的723名参与者（平均年龄= 28.56，SD = 12.14）上测试了增长心态量表，这允许探索可行性，内部一致性和构造有效性。结果表明，生长心态量表适用于研究的年龄（16-85）。所有单独的项目得分均与总分数呈正相关，范围在0.45至0.63之间。标准化项目的Cronbach的α值为0.83。Pearson的相关系数在增长心态量表的总分数与智力量表理论的总得分之间为r = 0.168（p <0.001）。这些令人鼓舞的结果可确保增长心态量表的进一步改善，涉及基于较大的代表性样本的归一化。
开发和测试儿童的在线隐私量表
摘要随着儿童和青少年使用的互联网使用的高潮，对在线隐私的保护是派系，消费者群体，社交媒体公司以及联邦，州和国际机构的紧迫问题。即使采用了帮助儿童保护他们的个人信息的策略，关于孩子们真正了解在线互动的风险的问题仍然存在。到目前为止，许多在线隐私研究都取决于成人信念和态度的主观衡量，这可能无法预测儿童的在线隐私行为。为了解决这些问题，作者开发和测试了儿童的在线培训量表，攻击了有关儿童和青少年在线隐私的不同内容域（6至15岁）。从这个概念化中，有两个预测试和四项支持量表的结构，可靠性和有效性及其与在线隐私教育，年龄类别，人格特征，意图在线共享个人信息在线和在线隐私行为的关系。提供了对儿童和青少年在线隐私政策的影响。
对李克特量表（RLAL）的学习算法排名，以预测学生对课程，教学学习和研究的看法
摘要 - 李克特量表是为各种情况收集数据的重要方面。数据以顺序形式为顺序，因此进行分析和预测需要一种特殊的算法。在本文中，提出了李克特量表（RLALS）的排名学习算法来预测序数数据。收集了来自教育领域的数据进行实验。在课程，教学学习和研究的背景下，与339名具有12个不同参数的学生收集了与反馈过程有关的数据。将提出的算法与众所周知的逻辑回归模型进行了比较。在功能工程之前和功能工程后提出的模型的准确性比逻辑回归更好。功能工程之前提出的模型的准确性为68.63％，而功能工程后，它为89.24％。
生成人工智能（Genai）扫盲量表
摘要 - 生成人工智能（Genai）聊天机器人可以通过其先进的自然语言处理能力为教育过程做出积极的贡献。这是一项新技术，重要的是要知道其适当使用。Genai文学专业的学生有更大的潜力有效地使用聊天机器人。在文献中，有数量有限的测量工具来衡量AI聊天机器人的识字水平，这些工具属于生产性人工智能类别。这项研究的目的是调整一种工具来衡量大学生的Genai素养。（Wang等，2023）开发的AI识字量表被297本大学生和研究生的学生参与了土耳其。量表由四个维度和十个项目组成。Cronbach的Alphaα内部一致性系数计算为0.74。总测试分数显示上下27％组之间的显着差异。检查了拟合指数以证明模型的充分性，并为基础提供了良好的基础。使用这种结构，该仪器可以用作衡量Genai素养水平的合适工具，学习活动的有效性提高了这一水平以及对该主题进行研究。关键字 - 人工智能（AI）聊天机器人，Genai素养，测量工具，大学生
心理健康评估量表和评估时间表
为了使评估可靠，必须在当地人口中进行自由文化和文化，或者应该在当地人口中进行标准化。印度精神病学更新是印度精神病学会，南部地区的一项出色倡议，而本书“心理健康的评分量表和评估时间表”的目的是填补 - 在印度背景下，在这方面，需要在这方面拥有一本良好的基于良好的书籍。我们寻求来自全国各种学者的章节，他们使用这些评级量表具有广泛的临床和研究经验。已经特别注意将其作为繁忙的临床医生和研究人员的方便，务实且现成的算术书；不是一本关于评分量表的“我太”书。这是印度心理健康评估量表和评估时间表的最详尽和更新的汇编。
帝国迷幻预测量表的验证
美国加利福尼亚州弗朗西斯科。 *通讯作者：Michael Angyus；电子邮件：michaelangyus@gmail.com抽象背景访问迷幻药物的访问是自由化的，但反应是无法预测的。 因此，必须提高预测急性迷幻体验的性质以提高安全性并优化潜在的治疗结果的能力。 这项研究试图验证“帝国迷幻预测量表”（IPP），这是一种简短的，广泛适用的，前瞻性的措施，旨在预测迷幻体验的显着维度。 使用四个独立数据集进行了前瞻性完成IPP的方法 - 两项在线调查“自然主义”使用（n = 741，n = 836）和两个受控的管理数据集（n = 30，n = 28） - 我们进行了因子分析，回归和相关分析，以评估结构，预测性，预测性和iPP的收敛性。 结果我们的方法产生了9个项目量表，具有良好的内部一致性（Cronbach'sα= 0.8），其中包含三个因素：设置，融洽和意图。 IPP可以显着预测“神秘”，“挑战”和“情感突破”的经历。 在受控的管理数据集（n = 28）中，发现和融洽的多个回归解释了神秘经验中40％的差异，而发现简单的回归集合解释了挑战性经验的16％差异。 在另一个（n = 30）中，融洽关系与情感突破有关，解释了9％的差异。 结论在一起，这些数据表明，IPP可以预测在广泛的环境中迷幻体验的急性特征。美国加利福尼亚州弗朗西斯科。*通讯作者：Michael Angyus；电子邮件：michaelangyus@gmail.com抽象背景访问迷幻药物的访问是自由化的，但反应是无法预测的。因此，必须提高预测急性迷幻体验的性质以提高安全性并优化潜在的治疗结果的能力。这项研究试图验证“帝国迷幻预测量表”（IPP），这是一种简短的，广泛适用的，前瞻性的措施，旨在预测迷幻体验的显着维度。使用四个独立数据集进行了前瞻性完成IPP的方法 - 两项在线调查“自然主义”使用（n = 741，n = 836）和两个受控的管理数据集（n = 30，n = 28） - 我们进行了因子分析，回归和相关分析，以评估结构，预测性，预测性和iPP的收敛性。结果我们的方法产生了9个项目量表，具有良好的内部一致性（Cronbach'sα= 0.8），其中包含三个因素：设置，融洽和意图。IPP可以显着预测“神秘”，“挑战”和“情感突破”的经历。在受控的管理数据集（n = 28）中，发现和融洽的多个回归解释了神秘经验中40％的差异，而发现简单的回归集合解释了挑战性经验的16％差异。在另一个（n = 30）中，融洽关系与情感突破有关，解释了9％的差异。结论在一起，这些数据表明，IPP可以预测在广泛的环境中迷幻体验的急性特征。我们希望这个简短的9个项目量表将被广泛采用，以改善受控环境及其他地区的迷幻准备知识。
引用本文：Burhanüzüm，MithatElçiçek和Ata Pesen（2024年8月5日）：教师对人工智能的看法量表的发展
摘要本文旨在制定教师对教育中人工智能使用的看法量表。规模开发研究是在2023 - 2024年ACA DEMIC年内在两个阶段进行的，涵盖了597位教师，他们说他们使用了不同的人工智能应用。文献进行了彻底的审查，并与在汇总规模项目的同时使用人工智能应用的老师进行了焦点小组访谈。咨询了现场专家教职员工，以评估量表的面部和内容有效性。对从第一样品组获得的数据（N¼424）进行了探索性因子分析，并在第一阶段确定了三因素结构。据观察，由18个项目组成的初稿量表的因素显示出总差异的57.8％。对第二阶段的第二个样本组（N¼173）收集的数据进行了第一个验证性FAC TOR分析。已经证实，由18个项目和三个因素（教导感知，学习感知和道德知觉）组成的结构与数据兼容。在教师对教育中人工智能使用的感知量表进行了第一级验证性因素分析之后，进行了二级验证性因素分析，以阻止构成量表的因素是否揭示了变量。最终比例由15个项目和三个维度组成，被确定与获得的数据兼容。可靠性分析表明，整个量表的Cronbach Alpha内部一致性系数被计算为.87，用于学习感知的.82，用于教学感知的.79和.79的道德感知。结果表明，教师对教育中人工智能使用的看法量表是有效且可靠的，并且是确定对教育中人工智能使用的看法的合理测量工具。