擎天柱的自动驾驶系统使自动驾驶汽车成为现实

世界上一些最大的公司正在投入数十亿美元开发可以去任何地方的自动驾驶汽车。与此同时,麻省理工学院(MIT)的初创企业Optimus Ride已经在通过一种不同的方式帮助人们出行。

该公司的自动驾驶汽车只在可理解的地图或地理位置上行驶。用今天的技术,自动驾驶汽车可以以每小时25英里的速度安全地通过这些区域。

Optimus Ride的首席执行官Ryan Chin MA ‘ 00, SM ‘ 04, PhD ‘ 12说:“认识到自动驾驶有多种方法和市场是很重要的。”“不存在乔治·杰特森(George Jetson)那种千篇一律的自动驾驶汽车。你有机器人卡车,你有自动驾驶出租车,自动驾驶披萨外卖机,每一个都将有不同的技术发展时间框架和不同的市场。”

通过与开发商的合作,Optimus团队目前专注于将其车辆部署到拥有住宅和商业建筑、退休社区、企业和大学校园、机场、度假村和智能城市的社区。两位创始人估计,这些市场的交通服务总价值将超过6000亿美元。

“我们相信这是一个重要的、巨大的业务,但是我们也相信,这是第一个潜在市场,我们认为第一个无人驾驶汽车将产生利润和商业意义将会出现在这些环境中,因为您可以构建科技更快,“说下巴,参与创立苹果公司的黄与艾伯特SM的05年,博士10,珍妮拉里奥柏林MCP 14, MBA的15日,现任阿尔梅达,1948届航空航天职业发展教授,Sertac Karaman。

Optimus Ride目前在波士顿海港地区、马萨诸塞州南韦茅斯(South Weymouth)的一个多功能开发项目中运营着一批自动驾驶汽车,本周还在布鲁克林海军造船厂(Brooklyn Navy Yard)运营着一个占地300英亩的工业园区,目前在该州举办了首个自动驾驶汽车项目。

今年晚些时候,该公司还将在加利福尼亚州费尔菲尔德(Fairfield)的一个私人社区以及弗吉尼亚州莱斯顿(Reston)的一个混合用途开发项目中部署自动驾驶汽车。

早期的进展——以及随之而来的有价值的数据——是该公司全面看待交通的结果。这种观点可以追溯到创始人在麻省理工学院关注的不同领域。

一个多学科小组

Optimus Ride的创始人在麻省理工学院的多个部门、实验室和中心工作过。该公司的技术验证始于2007年Karaman与包括Huang在内的团队参加美国国防高级研究计划局(DARPA)的城市挑战赛。这两名研究人员还一起在计算机科学和人工智能实验室工作。

在这次活动中,DARPA向89个团队发起挑战,设计出一种完全自动驾驶的汽车,可以在6小时内行驶60英里。这辆来自麻省理工学院的汽车是仅有的六辆完成这次旅程的汽车之一。

Chin曾在智慧城市集团(Smart Cities group)领导一个媒体实验室项目,开发一款可伸缩的电动汽车。一年后,阿尔梅达作为访问学者开始在媒体实验室工作。

由于该组织的成员将他们在自动驾驶技术和人们在社区中移动的方式方面的专业知识结合起来,他们意识到,他们需要围绕改善交通的独特方式开发商业模式。珍妮•拉里奥斯•柏林(Jenny Larios Berlin)在2015年获得城市研究与规划系(Department of Urban Studies and Planning)和斯隆管理学院(Sloan School of Management)的联合学位后,被介绍给了两位创始人。车队在那年8月开始了擎天柱之旅。

卡拉曼表示:“该公司实际上是所有这些学校和部门的想法的熔炉。”“当我们相遇的时候,我们从技术的角度出发,但我们也意识到这其中有一个重要的商业角度,也有一个有趣的城市规划/媒体艺术和科学的角度来思考整个系统。因此,当我们成立这家公司时,我们想的不仅是如何制造全自动汽车,而且是如何让交通运输总体上更实惠、可持续、公平、便捷等等。”

卡拉曼表示,该公司的方法只可能起源于像麻省理工学院这样高度协作的环境,并认为这让该公司在自动驾驶领域拥有巨大优势。

“我知道如何构建自主系统,但在与瑞安交互和新男友,珍妮,我真的有一个更好的理解系统的样子,智能城市,利用系统的样子,一些商业模式将会是什么样子,”Karaman说。“这是对技术的反馈。它允许你非常有效地建立正确的技术,以便进入这些市场。”

擎天柱的自动驾驶汽车可以在许多公共道路上行驶。拜擎天柱所赐

先发优势

Optimus Ride的车辆拥有一系列摄像头、激光和传感器,与其他公司帮助自动驾驶汽车在环境中导航的设备类似。但卡拉曼说,该公司的关键技术区别在于它的机器视觉系统,它能快速识别物体,并能将所有这些数据源融合在一起,做出预测,比如物体要去哪里,什么时候会到达那里。

Optimus Ride的车辆配备了一系列摄像头和传感器,帮助它们在环境中导航。拜擎天柱所赐

车辆行驶的严格限定区域帮助他们学习卡拉曼所说的不同道路上的“驾驶文化”。人类司机在某些十字路口可能会下意识地多花些时间。通勤者可能会开得比限速快得多。这些和其他特定位置的细节,如港口银线公共汽车的转弯半径,都是由系统通过经验学习的。

卡拉曼说:“很多资金充裕的自动驾驶项目都试图同时捕捉一切,解决所有问题。”他说:“但是我们在能够让机器人快速学习的地方操作机器人。如果你在一个小社区里走一万英里,你最终会看到某个十字路口一百次或一千次,所以你会学到在那个十字路口开车的文化。但如果你绕着这个国家走一万英里,你只会看到一个地方。”

在Optimus Ride运营的州,安全驾驶员仍然被要求驾驶自动驾驶汽车,但创始人希望不久就能像空中交通管制员那样,监控人数更少的车队。

不过,目前他们专注于扩大现有模型的规模。这份位于弗吉尼亚州莱斯顿的合同是与全球最大的房地产管理公司之一布鲁克菲尔德房地产公司(Brookfield Properties)战略合作伙伴关系的一部分。Chin说,Brookfield拥有100多个地点,Optimus Ride可以在这些地点部署自己的系统,公司的目标是到2020年底运营10个或更多的车队。

Chin说:“总的来说,(这些创始人)可能在建造无人驾驶汽车、电动汽车、共享汽车、移动交通、随需应变系统,以及研究如何将新的交通系统整合到城市中,拥有大约30年的经验。”“所以这就是公司的理念:将技术专长与正确的决策、正确的商业模式结合起来,并尽快让世界实现自治。”

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/optimus-ride-self-driving-0809

http://petbyus.com/12087/

在人工智能的指导下,机器人平台实现了分子制造的自动化

麻省理工学院(MIT)的研究人员在人工智能的指导下,利用机器人平台提供动力,开发了一个系统,该系统向自动化生产小分子又迈进了一步,这些小分子可用于医药、太阳能和聚合物化学。

描述的系统中,8月8日出版的《科学》杂志中,可以从各种常规释放板凳化学家和耗时的任务,并且可能建议的可能性如何使新的分子化合物,根据研究变Klavs f·延森,沃伦·k·刘易斯化学工程教授蒂莫西·f·贾米森,罗伯特·r·泰勒教授化学和麻省理工学院的副院长。

詹森说,这项技术“有望帮助人们省去分子构建过程中所有乏味的部分”,包括寻找潜在的反应途径,以及在每次生成新分子时构建分子装配线的组件。

他补充说:“作为一名化学家,它可能会给你以前从未想过的新反应带来灵感。”

其他的麻省理工学院的《科学》杂志文章的作者包括康纳w . Coley戴尔·a·托马斯三世,贾斯汀a . m . Lummiss乔纳森•n . Jaworski律师事务所的克里斯托弗·p·布林维克多·舒尔茨特拉维斯哈特,约书亚s . Fishman卢克·罗杰斯,韩愈高,罗伯特·w·Hicklin Pieter p . Plehiers Joshua Byington John s . Piotti威廉·h·绿、约翰·哈特。

从灵感到配方再到成品

新系统包括三个主要步骤。首先,人工智能指导下的软件提出了合成分子的路线,然后专家化学家审查了这条路线,并将其提炼成化学“配方”,最后,配方被发送到一个机器人平台上,该平台自动组装硬件,并执行生成分子的反应。

Coley和他的同事们已经花了三年多的时间来开发开源软件套件,该套件建议并优先考虑可能的合成路线。该软件的核心是几个神经网络模型,研究人员对此前发表的数百万种化学反应进行了训练,这些反应来自Reaxys和美国专利商标局(U.S. Patent and Trademark Office)数据库。该软件利用这些数据来确定反应的转变和条件,它认为将适合建立一个新的化合物。

Coley说:“它可以帮助你做出关于使用何种中间体和起始材料的高层决策,然后稍微详细地分析你可能想要使用什么条件,以及这些反应是否可能成功。”

他说:“这个软件设计背后的主要动机之一是,它不仅仅为我们所知道的分子或反应提供建议。”“它可以推广到从未产生过的新分子。”

然后,化学家们审查了该软件产生的合成路线,从而为目标分子建立一个更完整的配方。化学家有时需要进行实验室实验,或修改试剂浓度和反应温度等变化。

“他们从人工智能中获取一些灵感,并将其转化为可执行的配方文件,这在很大程度上是因为目前的化学文献没有足够的信息,无法在自动化系统上直接从灵感转移到执行,”贾米森说。

最后的配方被装载到一个平台上,机器人手臂将模块式反应器、分离器和其他处理单元组装成一个连续的流动路径,连接泵和输送分子成分的管道。

托马斯说:“你把配方装进去——这就是控制机器人平台的东西——你把试剂装进去,按下go键,就可以生成感兴趣的分子了。”“当它完成时,它会冲洗系统,你可以加载下一组试剂和配方,让它运行。”

与去年研究人员提出的连续流系统不同,该系统在每次合成后都必须手动配置,而新系统完全由机器人平台配置。

詹森说:“这使我们能够自主地对一个又一个分子进行排序,并在系统上生成一个分子库。”

该平台的设计尺寸约为两立方米,略小于标准的化学通风柜,类似于一个电话交换机和操作系统,可以移动平台上模块之间的连接。

Thomas说:“机械臂使我们能够操纵流体路径,这减少了流程模块的数量和系统的流体复杂性,通过减少流体复杂性,我们可以增加分子复杂性。”“这让我们能够添加额外的反应步骤,并扩大可以在相对较小的占地面积内在系统上完成的反应集。”

对完全自动化

研究人员通过创建15种不同的药物小分子来测试整个系统,这些小分子具有不同的合成复杂性,最简单的合成过程需要两个小时,而制造多种化合物则需要大约68个小时。

该团队合成了多种化合物:阿司匹林和抗生素塞克硝唑在背靠背的过程中;止痛药利多卡因和抗焦虑药物安定使用一种常见的原料试剂,在背对背的过程中;血液稀释剂华法林(warfarin)和帕金森病药物沙非酰胺(safinamide),展示该软件如何设计具有相似分子成分但不同三维结构的化合物;五种ACE抑制剂和四种非甾体抗炎药。

“我特别为化学的多样性和各种不同的化学反应感到自豪,”贾米森说,他说这个系统处理了大约30种不同的反应,而之前的连续流系统处理了大约12种不同的反应。

科利说:“我们真的在努力缩小这些程序产生的想法和实际运行综合程序所需要的东西之间的差距。”“我们希望下一代系统能进一步增加科学家将精力集中在创造力和设计上的时间和精力。”

这项研究部分得到了美国国防高级研究计划局(DARPA)的支持。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/automate-molecule-production-ai-0808

http://petbyus.com/12047/

利用最近的基因流来定义微生物种群

对一些生物学家来说,在植物和动物中识别物种是一项全职工作,但对生活在地球上的无数微生物来说,这项任务甚至更加艰巨。现在,麻省理工学院的研究人员开发了一种简单的基因流测量方法,可以确定细菌和古生菌之间的生态重要种群,包括与人类疾病相关的种群。

麻省理工学院(MIT)土木与环境工程学教授马丁•波尔兹(Martin Polz)及其同事在8月8日出版的《细胞》(Cell)杂志上撰文称,基因流动指标可以将共存的微生物从基因和生态上分离出来。

波尔兹和他的同事还开发了一种方法来识别这些群体中显示出不同适应能力的基因组部分,这些适应能力可以映射到不同的环境中。例如,当他们在肠道细菌上测试他们的方法时,他们能够确定不同种类的细菌与健康个体和克罗恩病患者有关。

生物学家通常把一组植物或动物称为一个物种,如果这组植物或动物与其他植物或动物在繁殖上是孤立的——也就是说,这组植物或动物中的个体可以彼此繁殖,但不能与其他动物繁殖。因此,一个物种的成员共享一组不同于其他物种的基因。许多进化理论都以物种和种群为中心,它们是一个物种在特定地区的代表。

但是,波尔兹解释说,微生物“违背了传统的动植物物种概念”。微生物倾向于无性繁殖,简单地将自己一分为二,而不是将自己的基因与其他个体结合来产生后代。他说,微生物还因“从病毒等环境来源获取DNA”而臭名昭著。“病毒可以将DNA转移到微生物细胞中,而这些DNA可以整合到它们的基因组中。”

这些过程使得很难根据共存微生物的基因组成将它们分类成不同的种群。波尔兹说:“如果我们不能确定微生物中的这些种群,我们就不能一对一地把为动植物发展起来的丰富的生态和进化理论应用到微生物上。”

例如,如果研究人员想要衡量一个生态系统在面对环境变化时的恢复力,他们可能会研究物种内部的种群是如何随着时间而变化的。“如果我们不知道物种是什么,就很难测量和评估这些类型的扰动,”他补充说。

爱达荷大学(University of Idaho)微生物学家克里斯托弗•马克思(Christopher Marx)表示,他和同事们“将立即将”麻省理工学院研究人员的方法应用到自己的工作中。马克思并未参与细胞研究。“我们可以用这个来回答这个问题,‘我们应该如何定义一个生态上重要的单元?’”

基因流动的标准

马丁和他的同事决定寻找另一种方法来定义微生物中有生态意义的种群。在微生物学研究生Philip Arevalo的带领下,研究人员开发了一种他们称之为PopCOGenT的基因流动指标(群体作为基因转移的集群)。

PopCOGenT测量最近的基因流动或密切相关的基因组之间的基因转移。一般来说,最近交换DNA的微生物基因组应该共享更长的、更频繁的相同DNA片段,而不是仅仅通过将DNA一分为二来繁殖。研究人员认为,如果没有这种近期的交流,这些相同DNA的共享片段的长度将会缩短,因为突变会在片段中插入新的“字母”。

两种微生物的基因并不完全相同,但它们共享相当大的“大块”相同的DNA,它们之间交换的遗传物质可能比其他菌株要多。正如研究人员在对三种不同细菌的测试中发现的那样,这种基因流测量可以定义不同的微生物种群。

例如,波尔兹和他的同事们发现,在弧菌中,紧密相关的种群可能共享一些核心基因序列,但通过对最近的基因流的测量,它们似乎完全相互隔离。

Polz说,PopCOGenT方法在定义微生物种群方面可能比以前的研究更有效,因为它关注的是最近密切相关的有机体之间的基因流动,而不是包括可能在过去数千年发生的基因流动事件。

该方法还表明,虽然微生物不断地从环境中吸收不同的DNA,这可能会模糊基因流动的模式,但波尔兹说:“可能这种不同的DNA真的会通过快速从种群中进行选择而被移除。”

逆向生态学方法

微生物学研究生David VanInsberghe随后提出了一种“逆向生态学”方法,可以在这些新定义的群体中识别出基因组中显示“选择性扫描”的区域——DNA变异被减少或消除的区域,这可能是对一种特定有益基因变异的强烈自然选择的结果。

通过识别种群内部的特定扫描,并绘制出这些种群的分布,该方法可以揭示出可能的适应性,这些适应性驱使微生物在不事先了解其环境的情况下,居住在特定的环境或宿主中。当研究人员在gnavus瘤胃球菌中测试这种方法时,他们发现了与健康人群和克罗恩病患者相关的微生物群。

波尔兹说,反生态学方法很可能在不久的将来被应用于研究人类体内细菌的全部多样性。“对人类微生物组中密切相关的有机体进行测序,寻找健康和疾病之间的关联,这方面有很多兴趣,而且数据集还在不断增长。”

他希望用这种方法来检测微生物的“灵活基因组”。例如,大肠杆菌的菌株在一个“核心基因组”中共享约40%的基因,而其他60%——灵活的部分——则因菌株而异。“对我来说,这是微生物学中最大的问题之一:为什么这些基因组的基因含量如此多样化?””Polz解释道。“一旦我们可以将种群定义为进化单位,我们就可以根据进化过程来解释这些种群中的基因频率。”

马克思说,波尔兹和他的同事的发现可能会增加对微生物多样性的估计。“我认为马丁团队的这种方法很酷的地方在于,他们实际上表明,我们看到的复杂性比我们想象的还要复杂。也许还有更多的物种在生态上很重要,如果它们是植物和动物,我们就称它们为物种。”

论文的其他作者还包括麻省理工学院的约瑟夫•埃尔舍比尼(Joseph Elsherbini)和杰夫•戈尔(Jeff Gore)。这项研究得到了美国国家科学基金会(National Science Foundation)和西蒙斯基金会(Simons Foundation)的部分支持。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/define-microbes-gene-flow-0808

http://petbyus.com/12045/

这项研究进一步提出了基因控制的全新观点

近年来,麻省理工学院(MIT)的科学家们开发了一种控制关键基因的新模型,该模型表明,将DNA转录成RNA的细胞机制形成了一种称为冷凝物的特殊液滴。这些液滴只出现在基因组的特定位置,有助于确定哪些基因在不同类型的细胞中表达。

在一项新的研究支持,模型中,麻省理工学院的研究人员和怀特黑德生物医学研究所研究发现物理蛋白质与DNA之间的相互作用,有助于解释为什么这些水滴,刺激附近基因的转录,倾向于集群沿着特定的DNA被称为超级增强剂。这些增强子区域不编码蛋白质,而是调节其他基因。

麻省理工学院生物学教授、怀特黑德研究所(Whitehead Institute)成员理查德•杨(Richard Young)表示:“这项研究为破解基因组中的‘暗物质’如何在基因控制中发挥作用提供了一种根本重要的新方法。”

杨是这篇论文的资深作者之一,与他一同发表论文的还有菲利普·夏普(Phillip Sharp),他是麻省理工学院的教授,也是麻省理工学院科赫综合癌症研究所(Koch Institute for Integrative Cancer Research)的成员;还有Arup K. Chakraborty, Robert T. Haslam化学工程教授,物理和化学教授,麻省理工学院医学工程和科学研究所以及麻省理工学院和哈佛大学的Ragon研究所的成员。

这篇论文发表在8月8日的《分子细胞》(Molecular Cell)杂志上,论文的主要作者是研究生克里希纳·施里尼瓦斯(Krishna Shrinivas)和博士后本杰明·萨巴里(Benjamin Sabari)。

“生化工厂”

生物体中的每个细胞都有一个相同的基因组,但神经元或心脏细胞等细胞表达这些基因的不同子集,使它们能够执行自己的特殊功能。先前的研究表明,这些基因中有许多位于超级增强子附近,超级增强子与一种叫做转录因子的蛋白质结合,这种蛋白质能刺激附近基因复制成RNA。

大约三年前,Sharp、Young和Chakraborty联合起来试图对增强子发生的交互作用进行建模。在2017年的一篇细胞论文中,基于计算研究,他们假设,在这些区域,转录因子形成水滴,称为相分离凝聚物。类似于沙拉酱中悬浮的油滴,这些冷凝物是分子的集合,它们形成不同的细胞间隔,但没有膜将它们与细胞的其他部分分开。

在2018年的一篇科学论文中,研究人员表明,这些动态液滴确实是在超级增强器的位置形成的。这些液滴由转录因子和其他分子簇组成,吸引RNA聚合酶等酶,这些酶是将DNA复制成信使RNA所必需的,使基因转录在特定位置保持活跃。

Shrinivas说:“我们已经证明,转录机制在我们基因组的某些调控区域形成了类似液体的液滴,但我们并不完全理解这些生物分子的液滴是如何或为什么似乎只围绕着我们基因组的特定点凝结在一起的。”

作为一个可能的解释,网站特异性,研究小组推测,弱相互作用本质上的无序区域转录因子和其他转录分子,以及特定的转录因子之间的相互作用和特殊的DNA元素,可能确定一个冷凝形式在特定的DNA。传统上,生物学家关注的是刚性结构蛋白片段之间的“锁与键”式相互作用,以解释大多数细胞过程,但最近的证据表明,软性蛋白区域之间的弱相互作用也在细胞活动中发挥着重要作用。

在本研究中,计算模型和实验表明,这些弱相互作用的累积力与转录因子- dna相互作用共同决定转录因子是否会在基因组的特定位置形成凝析液。不同的细胞类型产生不同的转录因子,这些转录因子与不同的增强子结合。当许多转录因子聚集在相同的增强子周围时,蛋白质之间的弱相互作用更有可能发生。一旦达到临界阈值浓度,就会形成冷凝物。

萨巴里说:“在细胞拥挤的环境中制造这些局部高浓度物质,可以使合适的物质在合适的时间出现在合适的地方,进行激活基因所需的多个步骤。”“我们目前的研究开始梳理基因组的某些区域是如何做到这一点的。”

这些液滴形成的时间跨度为几秒到几分钟,它们会根据细胞的需要不断地闪烁。

Chakraborty说:“这是一个按需生化工厂,细胞可以在需要的时候形成和溶解。”当某些信号在基因的正确位置发生时,就会形成凝聚体,聚集所有的转录分子。转录发生了,当细胞完成这项任务后,它们就会摆脱它们。”

一个新的视图

研究人员在《美国国家科学院院刊》2018年的一篇论文中提出,蛋白质之间的弱协同作用也可能在进化中发挥重要作用。转录因子固有的无序区域序列只需要稍加改变就能进化出新型的特异功能。相反,通过“锁和键”的交互发展新的特定功能需要更大的变化。

“如果你想想生物系统是如何进化的,它们能够在不产生新基因的情况下对不同的环境做出反应。我们没有果蝇那么多的基因,但我们的许多功能要复杂得多,”夏普说。“这些本质上无序的领域的不断扩张和收缩,可以在很大程度上解释这种进化是如何发生的。”

类似的冷凝物似乎在生物系统中发挥着多种其他作用,为研究细胞内部结构提供了一种新方法。参与传递分子信号等过程的蛋白质可能会瞬间形成液滴,帮助它们与合适的伴侣相互作用,而不是漂浮在细胞质中,随机地撞上其他分子。

夏普说:“这是细胞生物学领域一个非常令人兴奋的转折。“这是一种全新的看待生物系统的方式,更丰富、更有意义。”

在扬的带领下,麻省理工学院的一些研究人员帮助成立了一家名为露点疗法(Dewpoint Therapeutics)的公司,通过利用细胞凝聚物,开发出治疗多种疾病的潜在疗法。有新的证据表明,癌细胞利用凝集物来控制促进癌症的基因,而凝集物也与神经退行性疾病有关,如肌萎缩侧索硬化症(ALS)和亨廷顿舞蹈症。

这项研究由美国国家科学基金会、美国国立卫生研究院和美国国家癌症研究所的科赫研究所支持(core)资助。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/gene-control-dna-protein-droplets-0808

http://petbyus.com/12043/

有线电视新闻会影响你的观点吗?

这是当代政治中的一个经典问题:党派新闻媒体的报道是否塑造了人们的意识形态?还是人们决定消费已经与他们的信仰一致的政治媒体?

麻省理工学院政治科学家领导的一项新的研究解决这一问题,到达一个微妙的结论:尽管党派媒体确实对政治态度”一个强大的说服力影响”,研究人员在最新一期出版的报纸写,新闻媒体曝光有更大的影响对人们没有强烈偏好党派媒体,而不是为那些寻求党派媒体。

简而言之,某些政治媒体以不同的方式、不同程度地影响着不同阶层的观众——因此,尽管党派新闻的影响是真实的,但也有其局限性。

“不同的人群将以不同的方式对党派媒体做出反应,”麻省理工学院政治学教授、政治实验研究实验室(PERL)主任、该研究的合著者亚当•别林斯基(Adam Berinsky)表示。

“政治说服是困难的,”Berinsky补充道。“如果这很容易,世界将会变得大不相同。”

这篇题为《劝服敌人:用包含优先选择和任务设计的方法估计党派媒体的说服效果》的论文现在可以从《美国政治科学评论》(American Political Science Review)上提前在线下载。

除了别林斯基之外,作者还有波士顿大学政治学助理教授Justin de Benedictis-Kessner PhD ‘ 17;哈佛大学肯尼迪学院(Harvard Kennedy School)教授马修a鲍姆(Mathew a . Baum);以及麻省理工学院政治学系副教授山本泰培(Teppei Yamamoto)。

分解问题

大量的政治学文献讨论了媒体影响的问题;一些学者认为,党派媒体在很大程度上塑造了公众舆论,但其他人则认为,“选择性曝光”占主导地位,即人们观看他们已经同意的内容。

“这是一个非常棘手的问题,”贝林斯基说。“你怎么解开这些东西?”

这项新研究的部分目的是通过分散观众来实现这一目标。该研究包括一系列的实验和调查,分析较小的子群体的反应,并根据媒体消费偏好、意识形态等进行划分。

这使得研究人员能够通过更具体地研究媒体对不同意识形态和不同观看媒体意愿的人的影响,来梳理围绕媒体消费的因果关系问题。研究人员称这种方法为“优先结合选择和分配设计”(PICA)。

例如,研究中的一个实验让参与者选择阅读来自保守的福克斯新闻频道的网络文章;微软全国广播公司(MSNBC)的几个节目显示,该公司明显倾向于更自由的左翼;或者食物网络。其他参与者则被分配观看其中一场。

通过观察观众对内容的反应,学者们发现,选择阅读党派新闻频道内容的人受内容的影响较小。相比之下,那些被吸引到美食频道观看有线电视新闻的参与者,则更容易受到内容的影响。

影响有多大?研究人员发现,从数量上看,一次对党派媒体的接触就能改变相对非政治公民的观点,其改变量相当于政治光谱左右两派之间存在的平均意识形态差距的三分之一。

因此,有线电视新闻的影响力取决于受众。“人们确实会根据自己的喜好做出不同的反应,”贝林斯基说。

研究人员发现,尽管党派有线新闻对那些选择观看的人的影响较小,但它确实存在。例如,在另一项研究中,研究人员测试了有线电视新闻对观众对大麻立法的看法的影响。即使是普通的有线电视新闻观众,党派内容也会影响他们的观点。

山本说,总的来说,异食癖的方法是新颖的,因为它“让我们能够推断出那些(否则)永远无法直接观察到的东西”,也就是说,党派媒体对那些通常不会选择消费异食癖的人的影响。

“大多数人就是不想要新闻”

将研究结果放在美国每日新闻收视率的背景下在最近的国会听证会上,特别检察官罗伯特穆勒(Robert Mueller)就他的总统调查作证。福克斯新闻(Fox News)在当天的大部分时间里以平均300万观众的收视率领跑有线电视收视率,而微软全国广播公司(MSNBC)平均只有240万观众。总共有1300万人观看了比赛。但是,举例来说,超级碗经常吸引大约1亿观众。

“大多数人只是不想接触政治新闻,”贝林斯基指出。“这些人不是坏人,也不是坏公民。从理论上讲,当你可以忽略政治时,民主就会运转良好。”

因此,对政治缺乏兴趣的一个更大的含义是,任何获得党派媒体经验的受众都可以产生相对更大的影响力——因为这种增长将适用于以前不正规的新闻消费者,他们可能更容易受到影响。不过,由于大多数美国人不愿消费带有党派色彩的媒体,这类受众的增长可能有限。

“我们只知道这些人是有说服力的,因为我们让他们看新闻,”贝林斯基说。

该领域的其他学者表示,这篇论文是对媒体影响文献的宝贵补充。天普大学(Temple University)政治学教授、行为基础实验室(Behavioral foundation Lab)主任、小托马斯·j·弗雷尼(Thomas J. Freaney Jr.)的凯文·阿尔塞内奥斯(Kevin Arceneaux)表示,这项研究“代表着媒体效应研究在方法论上的重大飞跃”。

Arceneaux说,研究人员“令人信服地证明,在倾向于避免消费新闻的个人中,党派新闻媒体的影响最大”,并提出了一些可能与更大的媒体格局有关的暗示。

他认为,对于那些真正关注政治的人来说,拥有许多可供选择的新闻可能会“削弱党派新闻媒体的说服力和两极化效应”;与此同时,社交媒体可以通过向一些人介绍新闻,成为“两极分化的一个重要来源”。Arceneaux还指出,进一步研究“逆态度”党派新闻的影响——即反对消费者信念的内容——将有助于更清楚地了解媒体影响力的动态。

这项研究得到了国家科学基金和麻省理工学院政治实验研究实验室的支持;贝林斯基的贡献部分得到琼·肖伦斯坦奖学金的支持。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/partisan-cable-news-0808

http://petbyus.com/11985/

研究衡量人类对道路危险的反应速度

想象一下,你坐在一辆自动驾驶汽车的驾驶座上,沿着高速公路行驶,低头盯着你的智能手机。突然,汽车发现一头驼鹿从树林里冲出来,提醒你开车。一旦你回头看路,你需要多少时间才能安全地避免碰撞?

麻省理工学院的研究人员在一项新的研究中发现了一个答案,该研究表明,人类只需看一眼路,就能在390到600毫秒的时间内探测到道路危险并做出反应——年轻司机探测危险的速度几乎是年长司机的两倍。这一发现可以帮助自动驾驶汽车的开发人员确保人们有足够的时间安全地进行控制,避免意外的危险。

之前的研究考察了人们在关注道路并在视频中积极寻找危险时的危险反应时间。在最近发表在《实验心理学杂志:综合》(Journal of Experimental Psychology: General)上的一项新研究中,研究人员考察了司机只要回头看看道路,就能多快地识别出道路危险。对于即将到来的半自动化汽车时代,这是一个更为现实的场景。半自动化汽车需要人工干预,在面临迫在眉睫的危险时,可能会出人意料地将控制权交给人类驾驶员。

研究报告的主要撰写人、计算机科学与人工智能实验室(CSAIL)的博士后本杰明•沃尔夫(Benjamin Wolfe)说:“你把目光从路上移开,当你回头看时,你第一眼根本不知道周围发生了什么。”“我们想知道,你要花多长时间才能说,‘一头驼鹿正在走到那边的路上,如果我不做点什么,我就要用驼鹿来对付它。’”

在他们的研究中,研究人员建立了一个独特的数据集,包括YouTube的视频dashcam司机应对道路危险,如对象脱落卡车床,麋鹿跑到路上,载重推翻过去,和床单的冰飞汽车屋顶——和其他视频没有道路危险。参与者在空白屏幕之间看到了视频的瞬间片段。在一项测试中,他们指出是否在视频中发现了危险。在另一项测试中,他们指出,为了避免危险,他们会向左还是向右转弯。

结果表明,年轻司机在这两项任务上都更快:年龄较大的司机(55岁至69岁)需要403毫秒来检测视频中的危险,而选择如何避免危险则需要605毫秒。年轻的驾驶员(20到25岁)只需要220毫秒就可以检测到,388毫秒就可以选择。

沃尔夫说,年龄结果很重要。当自动驾驶汽车准备上路时,它们很可能会很贵。“谁更有可能购买昂贵的汽车?”他说。“如果你根据年轻司机的反应时间来建立一个自动驾驶系统,这并不能反映年长司机需要的时间。在这种情况下,你建立的系统对老司机来说是不安全的。”

和沃尔夫一起发表论文的有:麻省理工学院老年实验室的博比·塞佩特、布鲁斯·梅勒、布莱恩·雷默,以及大脑与认知科学和CSAIL学院的露丝·罗森霍尔兹。

玩“史上最烂的电子游戏”

在这项研究中,49名参与者坐在一个大屏幕前,这个屏幕与驾驶员的视角和观看距离非常匹配,他们在每次测试中观看了200个来自道路危险刺激数据集的视频。研究人员给他们一个玩具轮、刹车和油门踏板,以指示他们的反应。沃尔夫说:“这是有史以来最糟糕的电子游戏。

该数据集包括约500个8秒的行车记录仪视频,记录了各种路况和环境。大约一半的视频包含导致碰撞或近碰撞的事件。另外一半人则试图与上述每一种驾驶条件都保持密切匹配,但没有任何危险。每个视频都有两个临界点:当危险变得明显时的帧,以及驾驶员反应的第一帧,如刹车或急转弯。

在每个视频之前,参与者都被展示了一个瞬间的白噪声面具。当这个面具消失后,参与者会看到一段随机的视频片段,其中包含或不包含迫在眉睫的危险。视频之后,另一个面具出现了。紧接着,参与者如果看到危险就踩刹车,如果没有看到危险就踩油门。然后在黑屏上又出现了一秒的停顿,然后下一个蒙版出现了。

当参与者开始实验时,他们看到的第一个视频被播放750毫秒。但在每次测试中,持续时间会根据参与者的反应而改变。如果一个参与者对一个视频的反应不正确,下一个视频的持续时间会稍微延长。如果他们的回答正确,它就会缩短。最后,持续时间从一帧(33毫秒)到一秒不等。“如果他们做错了,我们假设他们没有足够的信息,所以我们做了一个更长的视频。如果他们做对了,我们假设他们可以用更少的信息,所以让它更短,”沃尔夫说。

第二个任务使用相同的设置来记录参与者对危险做出反应的速度。为此,研究人员使用了一组他们知道答案是向左或向右转的视频。视频停止,蒙版出现在司机开始反应的第一帧。然后,参与者们将方向盘向左或向右转动,以指示他们的方向。

“光说‘我知道有东西掉到我车道上的路上了’是不够的。沃尔夫说:“你要明白,车的右肩和旁边车道上有一辆车我无法加速,因为我可能会撞车。”

需要更多的时间

麻省理工学院的研究没有记录人们从手机上抬起头或转动方向盘实际需要多长时间。相反,它显示,人们只需要600毫秒就能检测到危险并做出反应,而不需要了解环境的上下文。

沃尔夫认为,这对自动驾驶汽车来说是令人担忧的,因为它们可能没有给人类足够的时间做出反应,尤其是在恐慌的情况下。例如,其他研究发现,正常驾驶的人,眼睛盯着路面,从最初的检测开始,大约需要1.5秒的时间来避免道路上的危险。

沃尔夫说,无人驾驶汽车已经需要几百毫秒的时间来提醒司机注意危险。“这已经消耗了1.5秒,”他说。“如果你从手机上抬起头来,你的眼睛和头部可能需要额外的几百毫秒来移动。这甚至没有时间来重新控制和刹车或转向。然后,情况开始变得非常令人担忧。”

接下来,研究人员正在研究周边视觉在探测危险方面的作用。参与者将被要求盯着屏幕的空白部分——指示智能手机可能被安装在挡风玻璃上的位置——当他们注意到道路危险时,同样要踩刹车。

这项研究部分由丰田研究所(Toyota Research Institute)赞助。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/how-fast-humans-react-car-hazards-0807

http://petbyus.com/11983/

丹尼尔·弗里德曼获基础物理学特别奖

麻省理工学院数学系名誉教授Daniel Z. Freedman获基础物理特别奖。他与两位同事——欧洲核子研究中心的塞尔吉奥•费拉拉(Sergio Ferrara)和石溪大学(Stony Brook University)的彼得•范尼文惠森(Peter van Nieuwenhuizen)——分享了300万美元的奖金。

这三位科学家的工作结合了超对称性原理,该原理假定所有基本粒子都有对应的、看不见的“搭档”粒子;以及爱因斯坦的广义相对论,它解释了引力是时空弯曲的结果。

当超对称性理论在1973年被提出时,它解决了粒子物理学中的一些关键问题,比如统一了三种自然力(电磁力、弱核力和强核力),但它漏掉了第四种力:重力。弗里德曼、费拉拉和范尼文惠珍在1976年用他们的超重力理论解决了这个问题。在超重力理论中,广义相对论的引力子获得了称为引力子的超伴侣。

弗里德曼与费拉拉和范尼文惠森的合作始于1975年底的巴黎高等师范学院(Ecole Normale Superior)。费拉拉也来到ENS,为一个不同的项目工作了一周。当时,建造超重力的挑战就在空中,弗里德曼告诉费拉拉,他正在考虑这个问题。在他们的讨论中,费拉拉提出,可以通过弗里德曼之前在涉及超对称规范理论的相关问题中使用的方法取得进展。

弗里德曼回忆说:“这让我找到了正确的方向。”在很短的时间内,他阐明了构造超重力的第一步,并证明了它的数学一致性。他说:“我回到石溪分校时,确信自己很快就能找到剩下的理论。”然而,“我很快意识到这比我预想的要难。”

就在那时,他邀请范尼文惠珍和他一起参与这个项目。“我们非常努力地工作了几个月,直到理论形成。那就是我们发现的时刻。”他说。

麻省理工学院(MIT School of Science)院长、多纳(Donner)数学教授迈克尔•西伯瑟(Michael Sipser)表示:“丹对超重力的研究,结合了超对称性原理和爱因斯坦广义相对论,改变了科学家们对超越标准模型的物理学的看法。”他的示范研究是数学物理的核心,为我们探索量子场论和超弦理论提供了新的途径。我代表科学学院祝贺丹和他的合作者获得这一殊荣。”

弗里德曼于1980年加入麻省理工学院,最初担任应用数学教授,后来与理论物理中心联合任命。他定期教授一门关于超对称性和超重力的高级研究生课程。这门课的一个不同寻常的特点是,每个指定的习题集都包含古典音乐的建议,以配合学生的作业。

“我很珍惜在麻省理工学院的36年时光,”他说,并指出他曾与“优秀”的研究生一起工作,他们“足智多谋,善于解决问题”。弗里德曼于2016年从麻省理工学院退休。

他现在是斯坦福大学(Stanford University)的客座教授,与专攻公共教育法的律师妻子米里亚姆(Miriam)住在加州帕洛阿尔托。

弗里德曼是一个小商人的儿子,他是家里第一个上大学的人。他在卫斯理大学(Wesleyan University)的第一年就对物理产生了兴趣,当时他参加了一个特殊的班级,该班级在教授物理的同时,还教授理解数学规律所必需的微积分。这是一次关键的经历。他说:“学习到物理定律可以准确地描述自然界的现象,这让我非常兴奋。”

弗里德曼是在早上上完拳击课回来后得知自己获得了突破奖的。当时,他的妻子告诉他,斯坦福大学的一位同事一直在试图联系他。“当我回电话时,我被这个消息淹没了,”他说。

弗里德曼拥有卫斯理大学(Wesleyan)学士学位,威斯康星大学(University of Wisconsin)物理学硕士和博士学位。这三位合作者分别于1993年和2006年分别获得狄拉克奖和数学物理学奖。他是美国艺术与科学学院的研究员。

“突破奖”由一群硅谷企业家创立,旨在表彰生命科学、基础物理和数学领域的世界顶尖科学家。基础物理特别奖表彰对人类物理知识做出的重大贡献。早期的获奖者包括乔斯林·贝尔·伯内尔;LIGO的研究团队,包括麻省理工学院名誉教授Rainer Weiss;和斯蒂芬·霍金。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/daniel-freedman-breakthrough-prize-physics-0806

http://petbyus.com/11930/

在实验室里再现了天体物理的冲击现象

大量带电物质云相互撞击并喷射出高能粒子的星际事件,现在已在实验室中以高保真度重现。麻省理工学院(MIT)的研究人员和一个国际同事团队的这项工作,应该有助于解决长期以来围绕这些巨大冲击究竟发生了什么的争议。

许多规模最大的事件,比如超新星喷发出的不断膨胀的物质气泡,都涉及到一种被称为无碰撞冲击的现象。在这些相互作用中,气体云或等离子体变得如此稀薄,以至于大多数粒子实际上彼此错过了,但它们仍然通过电磁或其他方式相互作用,产生可见的冲击波和细丝。迄今为止,这些高能事件在实验室条件下难以重现,而实验室条件又与天体物理环境下的情况类似,这导致物理学家们对这些天体物理现象中起作用的机制存在分歧。

现在,研究人员已经成功地在实验室中重现了这些无碰撞冲击的临界条件,从而对这些巨大的宇宙大碰撞中发生的过程进行了详细的研究。麻省理工学院等离子体科学与聚变中心高级研究科学家李志康(音译)、麻省理工学院的另外五名科学家以及世界各地的其他14名科学家在《物理评论快报》上发表了一篇论文,描述了这些新发现。

事实上,宇宙中所有可见的物质都是以等离子体的形式存在的。等离子体是一种亚原子粒子的汤,带负电荷的电子与带正电荷的离子自由地游动,而不是以原子的形式彼此连接。太阳、恒星和大多数星际物质云都是由等离子体构成的。

这些星际云大多极其稀薄,密度极低,即使当一片云以远超每秒1000公里的速度撞击另一片云时,它们的组成粒子之间也很少发生真正的碰撞。然而,结果可能是一个壮观的明亮的冲击波,有时显示出大量的结构细节,包括长尾丝状物。

李说,天文学家已经发现,在这些激波边界发生了许多变化,那里的物理参数“跳跃”。但是,由于极快的速度和极低的密度的结合在地球上是很难匹配的,所以要破译发生在无碰撞冲击中的机制一直是很困难的。

虽然早前就预测到了无碰撞冲击,但在20世纪60年代直接确定的第一个冲击是由太阳风形成的弓形冲击。太阳风是一种从太阳发出的微小粒子流,当它撞击地球磁场时形成。不久,许多这样的冲击就被星际空间的天文学家发现了。但在那之后的几十年里,“有很多模拟和理论建模,但缺乏实验”来理解这些过程是如何工作的,李说。

李和他的同事们发现了一种方法来模拟现象在实验室通过生成的低密度等离子体喷射使用一组六个强大的激光束,在ω激光设备罗彻斯特大学,目标对准一个薄壁聚酰亚胺塑料袋充斥着低密度氢气。这些结果再现了在深太空中观察到的许多细节不稳定性,从而证实了这些条件非常吻合,足以对这些难以捉摸的现象进行详细、近距离的研究。李说,等离子体粒子的平均自由路径被测量为比激波的宽度大得多,从而满足了无碰撞激波的正式定义。

在实验室产生的无碰撞冲击的边界处,等离子体的密度急剧上升。研究小组能够测量出激波前沿的上游和下游的详细影响,从而开始区分两种云之间能量转移的机制,这是物理学家们多年来一直试图弄清楚的。李说,这些结果与一组基于费米机制的预测是一致的,但是还需要进一步的实验来明确排除一些已经提出的其他机制。

李说:“这是我们第一次能够直接测量无碰撞冲击的重要部分的结构。”“几十年来,人们一直在追求这个目标。”

这项研究还精确地显示了有多少能量被传递给了穿过激波边界的粒子,从而使它们加速到相当于光速相当大一部分的速度,产生了我们所知的宇宙射线。李说,更好地理解这一机制“是这个实验的目标,这也是我们所测量的”。他指出,他们捕捉到了受冲击加速的电子的全谱能量。

“这份报告是最新一期在一个变革的一系列实验,报告了自2015年以来,每年来模拟实际的天体物理冲击波与空间观测,”马克说Koepke,西弗吉尼亚大学的物理学教授和主席ω激光设备用户组,他并没有参与这项研究。“计算机模拟、太空观察和这些实验加强了物理学的解释,这些解释正在推进我们对高能密度宇宙事件中粒子加速机制的理解,比如伽马射线爆发引发的相对论性等离子体外流。”

国际团队包括大学的研究人员在法国波尔多,捷克科学院国家研究核大学在俄罗斯,俄罗斯科学院,罗马大学、罗切斯特大学、巴黎大学,在日本大阪大学,加州大学圣迭戈。它得到了美国能源部和法国国家研究机构的支持。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/collisionless-shock-reproduced-astrophysics-0807

http://petbyus.com/11932/

医疗决策的人工智能自动化

麻省理工学院的计算机科学家们希望通过自动化一个通常由手工完成的关键步骤,加快人工智能在改善医疗决策方面的应用。随着某些数据集变得越来越大,这一过程将变得越来越困难。

预测分析领域在帮助临床医生诊断和治疗病人方面有越来越大的希望。机器学习模型可以通过训练来发现患者数据中的模式,以帮助败血症治疗,设计更安全的化疗方案,并预测患者患乳腺癌或死于ICU的风险,仅举几个例子。

通常,培训数据集由许多患病和健康的受试者组成,但每个受试者的数据相对较少。然后,专家必须在数据集中找到那些对预测非常重要的方面(或“特性”)。

这种“特性工程”可能是一个费力且昂贵的过程。但随着可穿戴传感器的兴起,这项技术变得更具挑战性,因为研究人员可以更容易地长期监测患者的生物特征,比如跟踪睡眠模式、步态和语音活动。仅仅经过一周的监测,专家们就可以为每个研究对象收集到数十亿个数据样本。

本周,麻省理工学院(MIT)的研究人员在“医疗机器学习”(Machine Learning for Healthcare)大会上发表的一篇论文中,展示了一个自动学习声带疾病特征的模型。这些功能来自于大约100名受试者的数据集,每个受试者都有大约一周的语音监控数据和数十亿个样本——换句话说,每个受试者只有少量受试者,但却有大量数据。数据集包含从安装在受试者脖子上的小型加速度计传感器捕捉到的信号。

在实验中,该模型利用从这些数据中自动提取的特征,对有无声带结节的患者进行分类,准确率较高。这些病变发生在喉部,通常是由于声音滥用的模式,如大声唱歌或大喊大叫。重要的是,模型在没有大量手工标记数据的情况下完成了这项任务。

“收集长时间序列数据集变得越来越容易。但是你有医生需要运用他们的知识来标记数据集,”麻省理工学院计算机科学和人工智能实验室(CSAIL)的博士生Jose Javier Gonzalez Ortiz说。“我们想为专家们去掉手工部分,把所有的功能工程都转移到机器学习模型上。”

该模型可用于学习任何疾病或条件的模式。但是,研究人员说,在开发预防、诊断和治疗这种疾病的改进方法方面,发现与声带结节相关的日常语音使用模式的能力是一个重要的步骤。这可能包括设计新的方法来识别和提醒人们注意潜在的破坏性声音行为。

John Guttag是计算机科学和电子工程Dugald C. Jackson教授,也是CSAIL数据驱动推理小组的组长,他也加入了Gonzalez Ortiz的论文。Robert Hillman, Jarrad Van Stan, Daryush Mehta,麻省总医院喉部手术和声音康复中心;以及多伦多大学计算机科学和医学助理教授Marzyeh Ghassemi。

迫使特征学习

多年来,麻省理工学院的研究人员一直在与喉外科和语音康复中心合作,开发和分析来自传感器的数据,以跟踪受试者在所有醒着的时间里的语音使用情况。该传感器是一个加速度计,有一个节点附着在脖子上,并与智能手机相连。当人们说话时,智能手机从加速度计的位移中收集数据。

在他们的工作中,研究人员收集了104名受试者一周的数据——称为“时间序列”数据,其中一半人被诊断为声带结节。对于每一个病人,也有一个匹配的对照组,这意味着一个健康的受试者具有相似的年龄、性别、职业和其他因素。

传统上,专家需要手动识别对模型检测各种疾病或条件可能有用的特征。这有助于防止医疗保健中常见的机器学习问题:过度适应。这时,在训练中,一个模型“记忆”受试者的数据,而不是仅仅学习与临床相关的特征。在测试中,这些模型往往无法识别出之前未见过的主题中的相似模式。

“一个模型没有学习临床意义重大的特征,而是看到模式后说,‘这是萨拉,我知道萨拉很健康,这是彼得,他有一个声带结节。所以,这只是记忆实验对象的模式。然后,当它看到安德鲁(Andrew)的数据时,它无法判断这些模式是否符合分类。安德鲁有一种新的语音使用模式。

因此,主要的挑战是在自动化手动特性工程时防止过度拟合。为此,研究人员强迫模型在没有受试者信息的情况下学习特征。对于他们的任务来说,这意味着捕捉受试者说话的所有时刻以及他们声音的强度。

当他们的模型在受试者的数据中爬行时,它被编程来定位声音片段,这些片段只占数据的大约10%。对于每一个发声窗口,该模型计算一个频谱图,这是频率随时间变化的频谱的可视化表示,通常用于语音处理任务。然后,光谱图被存储为数千个值的大矩阵。

但是这些矩阵很大,很难处理。因此,自动编码器——一种优化的神经网络,从大量数据中生成高效的数据编码——首先将光谱图压缩成30个值的编码。然后它将编码解压成一个单独的光谱图。

基本上,模型必须确保解压后的谱图与原始谱图输入非常相似。在此过程中,它必须学习每个受试者的整个时间序列数据上的每个光谱图段输入的压缩表示。压缩表示是帮助训练机器学习模型做出预测的特性。

绘制正常和异常特征

在训练中,模型学会将这些特征映射到“患者”或“对照组”。“患者的发声模式将比对照组更多。在对以前从未见过的物体进行测试时,该模型同样将所有光谱图片段浓缩成一组简化的特征。然后,这是多数规则:如果受试者的声音片段大多异常,则将其归类为患者;如果他们大部分是正常的,他们被归为对照组。

在实验中,该模型与需要人工特征工程的最先进模型一样精确。重要的是,研究人员的模型在训练和测试中都表现准确,表明它是从数据中学习临床相关的模式,而不是从特定主题的信息中学习。

接下来,研究人员想要监测各种治疗方法,比如手术和声音治疗,是如何影响声音行为的。如果病人的行为随着时间的推移从异常变为正常,他们很可能会改善。他们还希望在心电图数据上使用类似的技术,用于跟踪心脏的肌肉功能。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/automating-ai-medical-decisions-0806

http://petbyus.com/11878/

给被监禁的求职者提供生命线

今天是周三上午,布鲁克·沃格斯(Brooke Wages)站在一块白板前,向她的创业伙伴、波士顿大学(Boston University)三年级新生莎莉卡·拉姆(Sarika Ram)出谋划策。虽然时间还早,但她的工资已经很集中,而且对未来的工作充满了活力。你可以看出,用她最喜欢的一句话来说,她正在扼杀游戏。

工资和她的团队刚刚采访了一些曾经被监禁的人,他们现在正在通过团队的初创公司Surge Employment Solutions寻求工作培训和安置。Surge Employment Solutions的目标是让人们在服刑一段时间后从事高薪、高技能的贸易工作。今天,工资和Ram正在计划他们未来几个月的试点项目,在此期间,他们将开始培训他们选择的候选人,为他们未来的工作。到11月,被选中的候选人将开始他们的新工作。

工资为麻省理工斯隆管理学院(MIT Sloan School of Management)和哈佛肯尼迪政府学院(Harvard Kennedy School of Government)工商管理硕士和公共管理硕士双学位课程。去年,她与拉姆和正在崛起的哈佛大学二年级学生阿米莎·坎巴斯(Amisha Kambath)一起创办了Surge。该团队与波士顿市长返回公民办公室、马萨诸塞州假释委员会、多切斯特湾经济发展公司合作,努力让波士顿接触到以前被监禁的公民。

她对这一领域的兴趣始于她在北卡罗来纳州立大学读本科时。作为一名机械工程专业的学生,她也开始研究被监禁后重返工作岗位的公民所面临的不平等和歧视。工资尤其受到已故社会学家德瓦佩格(Devah Pager)的影响,尤其是她的著作《标记:种族、犯罪和大规模监禁时代的就业》(mark: Race, Crime, and Finding Work in a Era of Mass prison)。佩格的研究记录了就业市场上对前科犯的歧视,以及这种偏见是如何导致再犯的,尤其是在黑人男性中。

在了解到这些不公之后,“我感到很感动,”工资回忆道。“我觉得在做这件事的时候内心就像着了火。”

采取行动

毕业后,工资开始在石油和天然气行业做工程师,但她仍然有时间和以前的囚犯一起找工作。她志愿参加了“全国赋予前被监禁者权力联盟”(NAEFI),并参加了重返社会团体,这些团体欢迎回归社会的公民重返社会,并建立了一个支持系统。通过这项工作,她认识了一些出狱的人。

“(对前囚犯的歧视)不仅仅是我读到的这件可怕的事情。它成了一个人的人生故事。我真的意识到我们的价值是平等的,但幸运的是,我碰巧出生在一个不同的地方,”工资说,与她通过NAEFI认识的许多前囚犯不同。

在她的工程工作中,工资发现很难找到高技能贸易工作的承包商。与此同时,她也逐渐了解到,有些人在获释后很难找到工作。将这两种截然不同的经历牢记在心,工资水平由此飙升。

工资强调,Surge不应仅仅被描述为一家人力资源公司或劳动力开发公司。相反,初创公司评估客户的员工需求,培训归国公民,并让他们在客户的公司中担任特定的角色。除非员工有一份稳定的工作,否则公司不会开始培训员工。

她说:“我们与客户沟通,了解他们的需求,然后针对特定的职位制定独特的、个性化的培训计划。”“这是一种商业模式,目前并不适用于以前被监禁的人。”

该团队目前在波士顿大学建设实验室IDG Capital学生创新中心工作,该中心是该大学夏季加速器项目的一部分。Surge最近还从麻省理工学院PKG中心的创意全球挑战赛(IDEAS Global Challenge)中赢得了1万美元,该中心对资助这家初创公司也至关重要。

在她的斯隆管理学院(Sloan program)课程中,有15门课程对她的影响尤为深远。S03 (lead the Way: Perspectives on promote Equity and Inclusion),感谢她为在自己的企业内创建系统提供工具,以促进公平和包容性。

这门课程为我提供了创业参考指南。我们阅读并讨论了领先的基于证据的多样性和包容性研究,涉及的主题包括招聘、薪酬、绩效评估、身份偏见和骚扰等,”她说。“就像我们承认并解决人们在就业市场上面临的偏见一样,我们需要承认我们的大脑倾向于偏见,并建立有助于消除偏见的系统。”

建立关系

工资表示,她的成功很大程度上得益于她在课外活动中建立的人脉,比如麻省理工学院(MIT)的教育公正研究所(TEJI),她是那里的一名研究生。TEJI为工资和她的团队提供了重要的指导和支持。

通过TEJI,工资成为了非暴力哲学“由内而外”课程的助教。这门名为s.114(非暴力作为一种生活方式)的课程,由麻省理工学院实验研究小组的人文学科讲师李·帕尔曼(Lee Perlman)授课。工资说,因为这是一门以讨论为基础的课程,班上所有的学生都有机会分享生活经历,理解不同的观点。她喜欢推动这个过程,并看到它帮助学生之间建立了牢固的关系。

工资还担任麻省理工学院(MIT)黑人商业学生协会(Black Business Students Association)的活动主席,并在福特基金会(Forte Foundation)担任研究员。她还参加了女性企业家的基金会,在那里她与其他女性创业者建立了联系。

“(布鲁克)是一位伟大的导师,”拉姆说。“她照顾着很多本科生。”

工资也与她的团队形成了牢固的纽带,她强调,如果没有拉姆和坎巴斯,工资上涨是不可能的。这三个人的人际关系对他们的工资水平很重要,而且他们经常在工作之余聚在一起。例如,他们一起上艺术课和舞蹈课,他们正在为即将到来的印度电影马拉松做准备。

几乎每天都能在狗狗公园里找到工资,还有她的狗狗格蕾丝。“她是最棒的。她是吉娃娃和heeler的混血儿,全黑全黑,这就是我们的运作方式!“工资的笑话。

在工资在波士顿创造的所有个人和职业关系中,她与基督教信仰的联系仍然是她生命中最重要的事情之一。她特别被希伯来书13:3中的一段经文所激励:“你们要记念那些在监里的人,好像与他们同囚;也要记念那些受苦害的人,好像自己也受了苦害。”

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/brooke-wages-surge-employment-0804

http://petbyus.com/11824/