Ma túy là gì? Các công bố khoa học về Ma túy

Các bản đồ tham số thống kê là các quá trình thống kê mở rộng về mặt không gian được sử dụng để kiểm tra giả thuyết về các hiệu ứng đặc thù theo vùng trong dữ liệu chụp não. Các loại bản đồ tham số thống kê đã được thiết lập lâu dài nhất (ví dụ, Friston et al. [1991]: J Cereb Blood Flow Metab 11:690–699; Worsley et al. [1992]: J Cereb Blood Flow Metab 12:900–918) dựa trên các mô hình tuyến tính, chẳng hạn như ANCOVA, hệ số tương quan và t tests. Theo nghĩa rằng các ví dụ này đều là các trường hợp đặc biệt của mô hình tuyến tính tổng quát, thì việc triển khai chúng (và nhiều trường hợp khác) trong một khuôn khổ thống nhất là khả thi. Chúng tôi trình bày tại đây một phương pháp tổng quát có thể thích ứng với hầu hết các dạng bố trí thí nghiệm và phân tích tiếp theo (thí nghiệm được thiết kế với các hiệu ứng cố định cho các yếu tố, biến đồng covariates và tương tác giữa các yếu tố). Phương pháp này kết hợp hai lý thuyết đã được xác lập (mô hình tuyến tính tổng quát và lý thuyết về các trường Gaussian) để cung cấp một khuôn khổ hoàn chỉnh và đơn giản cho việc phân tích dữ liệu hình ảnh.

Ý nghĩa của khuôn khổ này có hai điểm: (i) Sự đơn giản về mặt khái niệm và toán học, trong đó cùng một số lượng nhỏ các phương trình hoạt động được sử dụng bất kể độ phức tạp của thí nghiệm hoặc tính chất của mô hình thống kê và (ii) tính tổng quát của khuôn khổ mang đến sự linh hoạt lớn trong thiết kế và phân tích thí nghiệm. © 1995 Wiley‐Liss, Inc.

Chúng tôi trình bày một cách cải thiện ước tính tiếp tuyến nội bộ trong phương pháp băng đàn hồi điều chỉnh nhằm tìm kiếm đường dẫn năng lượng tối thiểu. Trong các hệ thống mà lực dọc theo đường dẫn năng lượng tối thiểu là lớn so với lực phục hồi vuông góc với đường dẫn và khi nhiều hình ảnh của hệ thống được bao gồm trong băng đàn hồi, các nếp gấp có thể phát triển và ngăn cản băng hội tụ vào đường dẫn năng lượng tối thiểu. Chúng tôi chỉ ra cách các nếp gấp phát sinh và trình bày một cách cải thiện ước tính tiếp tuyến địa phương để giải quyết vấn đề này. Nhiệm vụ tìm kiếm chính xác năng lượng và cấu hình cho điểm yên ngựa cũng được thảo luận và các ví dụ cho thấy phương pháp bổ sung, phương pháp dimer, được sử dụng để nhanh chóng hội tụ đến điểm yên ngựa. Cả hai phương pháp chỉ yêu cầu đạo hàm cấp một của năng lượng và do đó có thể dễ dàng áp dụng trong các tính toán lý thuyết hàm mật độ dựa trên sóng phẳng. Các ví dụ được đưa ra từ nghiên cứu về cơ chế khuếch tán trao đổi trong tinh thể Si, sự hình thành Al addimer trên bề mặt Al(100) và sự hấp phụ phân ly của CH4 trên bề mặt Ir(111).

Học máy (Machine learning) nghiên cứu vấn đề làm thế nào để xây dựng các hệ thống máy tính tự động cải thiện qua kinh nghiệm. Đây là một trong những lĩnh vực kỹ thuật phát triển nhanh chóng hiện nay, nằm tại giao điểm của khoa học máy tính và thống kê, và là cốt lõi của trí tuệ nhân tạo và khoa học dữ liệu. Tiến bộ gần đây trong học máy được thúc đẩy bởi sự phát triển của các thuật toán và lý thuyết học mới cùng với sự bùng nổ liên tục trong việc sẵn có dữ liệu trực tuyến và khả năng tính toán chi phí thấp. Việc áp dụng các phương pháp học máy dựa trên dữ liệu đã xuất hiện trong khoa học, công nghệ và thương mại, dẫn đến việc ra quyết định dựa trên bằng chứng trong nhiều lĩnh vực cuộc sống, bao gồm chăm sóc sức khỏe, sản xuất, giáo dục, mô hình tài chính, cảnh sát và tiếp thị.

Tình trạng mắc ung thư và tử vong tại Hoa Kỳ đã được dự đoán cho các loại ung thư phổ biến nhất trong các năm 2020 và 2030 dựa trên sự thay đổi nhân khẩu học và tỷ lệ thay đổi trung bình hàng năm về tỉ lệ mắc và tử vong. Ung thư vú, tuyến tiền liệt và phổi sẽ tiếp tục là những loại ung thư hàng đầu trong suốt khoảng thời gian này, nhưng ung thư tuyến giáp sẽ thay thế ung thư đại trực tràng trở thành loại ung thư chẩn đoán đứng thứ tư vào năm 2030, và ung thư hắc tố cùng ung thư tử cung sẽ trở thành các loại ung thư phổ biến thứ năm và thứ sáu, tương ứng. Ung thư phổi được dự đoán sẽ vẫn là nguyên nhân gây tử vong ung thư hàng đầu trong khoảng thời gian này. Tuy nhiên, ung thư tụy và gan dự kiến sẽ vượt qua ung thư vú, tuyến tiền liệt và ung thư đại trực tràng để trở thành nguyên nhân gây tử vong liên quan đến ung thư đứng thứ hai và thứ ba vào năm 2030, tương ứng. Những tiến bộ trong sàng lọc, phòng ngừa và điều trị có thể làm thay đổi tình trạng mắc và/hoặc tỷ lệ tử vong do ung thư, nhưng điều này sẽ đòi hỏi sự nỗ lực hợp tác của cộng đồng nghiên cứu và y tế ngay bây giờ để mang lại sự thay đổi đáng kể cho tương lai. Cancer Res; 74(11); 2913–21. ©2014 AACR.

Một kỹ thuật thực nghiệm sử dụng bột được mô tả, cho phép phân loại nhanh chóng các loại vật liệu theo

(a) độ lớn của các hệ số quang phi tuyến so với chuẩn thạch anh tinh thể, và

(b) sự tồn tại hoặc không tồn tại của hướng phù hợp pha cho sự tạo ra hài bình phương thứ hai.

Kết quả được trình bày cho một số lượng lớn chất vô cơ và hữu cơ bao gồm dữ liệu tinh thể đơn về sự tạo ra hài bình phương thứ hai phù hợp pha trong HIO3, KNbO3, PbTiO3, LiClO4·3H2O, và CO(NH2)2. Axit iodic (HIO3) có hệ số phi tuyến d14∼1.5×d31 LiNbO3. Vì nó có thể dễ dàng được trồng từ dung dịch nước và không hiện diện các hiệu ứng hỏng hóc quang, vật liệu này nên hữu ích cho các ứng dụng trong thiết bị phi tuyến.

Tóm tắt. Cả sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) đều thường được sử dụng trong các nghiên cứu đánh giá mô hình. Willmott và Matsuura (2005) đã đề xuất rằng RMSE không phải là một chỉ số tốt về hiệu suất trung bình của mô hình và có thể là một chỉ báo gây hiểu lầm về sai số trung bình, do đó MAE sẽ là một chỉ số tốt hơn cho mục đích đó. Mặc dù một số lo ngại về việc sử dụng RMSE được Willmott và Matsuura (2005) và Willmott et al. (2009) nêu ra là có cơ sở, sự đề xuất tránh sử dụng RMSE thay vì MAE không phải là giải pháp. Trích dẫn những bài báo đã nói ở trên, nhiều nhà nghiên cứu đã chọn MAE thay vì RMSE để trình bày thống kê đánh giá mô hình của họ khi việc trình bày hoặc thêm các chỉ số RMSE có thể có lợi hơn. Trong ghi chú kỹ thuật này, chúng tôi chứng minh rằng RMSE không mơ hồ trong ý nghĩa của nó, trái ngược với những gì được Willmott et al. (2009) tuyên bố. RMSE thích hợp hơn để đại diện cho hiệu suất của mô hình khi phân phối sai số được kỳ vọng là phân phối Gaussian. Ngoài ra, chúng tôi chỉ ra rằng RMSE thỏa mãn yêu cầu bất đẳng thức tam giác cho một chỉ số đo khoảng cách, trong khi Willmott et al. (2009) chỉ ra rằng các thống kê dựa trên tổng bình phương không thỏa mãn quy tắc này. Cuối cùng, chúng tôi đã thảo luận về một số tình huống mà việc sử dụng RMSE sẽ có lợi hơn. Tuy nhiên, chúng tôi không tranh cãi rằng RMSE ưu việt hơn MAE. Thay vào đó, một sự kết hợp của các chỉ số, bao gồm nhưng chắc chắn không giới hạn ở RMSEs và MAEs, thường cần thiết để đánh giá hiệu suất của mô hình.\n

Bài viết này mô tả sự phát triển mới nhất của một cách tiếp cận tổng quát để phát hiện và hình dung các xu hướng nổi bật và các kiểu tạm thời trong văn học khoa học. Công trình này đóng góp đáng kể về lý thuyết và phương pháp luận cho việc hình dung các lĩnh vực tri thức tiến bộ. Một đặc điểm là chuyên ngành được khái niệm hóa và hình dung như một sự đối ngẫu theo thời gian giữa hai khái niệm cơ bản trong khoa học thông tin: các mặt trận nghiên cứu và nền tảng trí tuệ. Một mặt trận nghiên cứu được định nghĩa như một nhóm nổi bật và nhất thời của các khái niệm và các vấn đề nghiên cứu nền tảng. Nền tảng trí tuệ của một mặt trận nghiên cứu là dấu chân trích dẫn và đồng trích dẫn của nó trong văn học khoa học—một mạng lưới phát triển của các ấn phẩm khoa học được trích dẫn bởi các khái niệm mặt trận nghiên cứu. Thuật toán phát hiện bùng nổ của Kleinberg (2002) được điều chỉnh để nhận dạng các khái niệm mặt trận nghiên cứu nổi bật. Thước đo độ trung gian của Freeman (1979) được sử dụng để làm nổi bật các điểm chuyển đổi tiềm năng như các điểm chịu ảnh hưởng nền tảng trong thời gian. Hai quan điểm hình dung bổ sung được thiết kế và thực hiện: các quan điểm cụm và các quan điểm vùng thời gian. Những đóng góp của phương pháp là (a) bản chất của một nền tảng trí tuệ được nhận diện bằng thuật toán và theo thời gian bởi các thuật ngữ mặt trận nghiên cứu nổi bật, (b) giá trị của một cụm đồng trích dẫn được diễn giải rõ ràng theo các khái niệm mặt trận nghiên cứu, và (c) các điểm chịu ảnh hưởng nổi bật và được phát hiện bằng thuật toán giảm đáng kể độ phức tạp của một mạng lưới đã được hình dung. Quá trình mô hình hóa và hình dung được thực hiện trong CiteSpace II, một ứng dụng Java, và áp dụng vào phân tích hai lĩnh vực nghiên cứu: tuyệt chủng hàng loạt (1981–2004) và khủng bố (1990–2003). Các xu hướng nổi bật và các điểm chịu ảnh hưởng trong mạng lưới được hình dung đã được xác minh phối hợp với các chuyên gia trong lĩnh vực, là tác giả của các bài báo chịu ảnh hưởng. Các ngụ ý thực tiễn của công trình được thảo luận. Một số thách thức và cơ hội cho các nghiên cứu sau này được xác định.

Phản ứng chuỗi polymerase phiên mã ngược (RT-PCR) là phương pháp nhạy nhất để phát hiện mRNA với số lượng thấp, thường thu được từ các mẫu mô hạn chế. Tuy nhiên, đây là một kỹ thuật phức tạp, có nhiều vấn đề đáng kể liên quan đến độ nhạy, tính tái sản xuất và tính đặc hiệu của nó, và với tư cách là một phương pháp định lượng, nó gặp phải những vấn đề vốn có trong PCR. Sự ra đời gần đây của các quy trình RT-PCR động học dựa trên huỳnh quang đã đơn giản hóa đáng kể quá trình tạo ra sự định lượng mRNA tái sản xuất và hứa hẹn sẽ khắc phục những hạn chế này. Tuy nhiên, việc áp dụng thành công của chúng phụ thuộc vào sự hiểu biết rõ ràng về các vấn đề thực tiễn, và thiết kế thí nghiệm, ứng dụng và xác thực cẩn thận vẫn là điều cần thiết để đo lường định lượng chính xác sự phiên mã. Bài đánh giá này thảo luận về các khía cạnh kỹ thuật liên quan, tương phản giữa các phương pháp RT-PCR thông thường và động học trong việc định lượng biểu hiện gen và so sánh các hệ thống RT-PCR động học khác nhau. Nó minh họa sự hữu ích của những xét nghiệm này bằng cách chứng minh sự khác biệt đáng kể về mức độ phiên mã giữa các cá thể trong họ gen housekeeping, dehydrogenase glyceraldehyde-3-phosphate (GAPDH).

Chúng tôi xem xét các sự đánh đổi liên quan đến việc sử dụngMechanical Turk (MTurk) của Amazon.com như một công cụ tuyển mộ đối tượng. Chúng tôi đầu tiên mô tả MTurk và tiềm năng của nó như một phương tiện để thực hiện các thí nghiệm với chi phí thấp và dễ dàng triển khai. Sau đó, chúng tôi đánh giá tính hợp lệ nội tại và ngoại tại của các thí nghiệm được thực hiện bằng cách sử dụng MTurk, áp dụng một khung đánh giá có thể được sử dụng để đánh giá các nguồn đối tượng khác. Đầu tiên, chúng tôi điều tra các đặc điểm của các mẫu được rút ra từ dân số MTurk. Chúng tôi chỉ ra rằng những người tham gia được tuyển mộ theo cách này thường đại diện hơn cho dân số Hoa Kỳ so với các mẫu tiện lợi phỏng vấn trực tiếp—mẫu phổ biến trong các nghiên cứu khoa học chính trị thí nghiệm đã công bố—nhưng ít đại diện hơn so với các chủ thể trong các bảng khảo sát trực tuyến hoặc các mẫu xác suất quốc gia. Cuối cùng, chúng tôi lặp lại những công trình thí nghiệm quan trọng đã được công bố bằng cách sử dụng các mẫu MTurk.