Computer-based training for safety: comparing methods with older and younger workers

INTRODUCTION: Computer-based safety training is becoming more common and is being delivered to an increasingly aging workforce. Aging results in a number of changes that make it more difficult to learn from certain types of computer-based training. Instructional designs derived from cognitive learning theories may overcome some of these difficulties. METHODS: Three versions of computer-based respiratory safety training were shown to older and younger workers who then took a high and a low level learning test. RESULTS: Younger workers did better overall. Both older and younger workers did best with the version containing text with pictures and audio narration. DISCUSSION: Computer-based training with pictures and audio narration may be beneficial for workers over 45 years of age. IMPACT ON INDUSTRY: Computer-based safety training has advantages but workers of different ages may benefit differently. Computer-based safety programs should be designed and selected based on their ability to effectively train older as well as younger learners.     

VOCs、细菌及颗粒物混合暴露致小鼠学习记忆障碍机制研究

室内空气污染的现状是多种污染源共存,挥发性有机物(volatile organic compounds, VOCs)、细菌及颗粒物等是典型室内空气污染物。神经行为学毒性是室内空气污染引起的敏感毒性作用之一。为了探讨VOCs、细菌及颗粒物混合暴露对小鼠学习记忆能力的影响及机制,选用雄性昆明小鼠70只,随机分为对照(G1)和2～7(G2～G7)号染毒组。采用水迷宫和抓力仪测定小鼠的学习记忆潜伏期和抓力,染毒结束后测定全脑中活性氧(ROS)、丙二醛(MDA),神经递质谷氨酸(Glu)、乙酰胆碱(Ach)含量以及胆碱能系统的乙酰胆碱转移酶(ChAT)和乙酰胆碱酯酶(TChE)活力,同时分析脑源性神经营养因子(BDNF)、胶质细胞神经营养因子(GDNF)及神经生长因子(NGF)的水平。结果显示,第6天,G5、G6及G7小鼠的抓力、逃避潜伏期及在原平台所在象限的探索时间较对照组存在显著差异,并且伴有ROS、MDA含量的显著升高,Glu含量的显著升高,Ach含量、ChAT及TChE活力的显著降低,以及神经营养因子的显著下调(P<0.05或P<0.01)。研究结果表明,VOCs、颗粒物及细菌混合暴露能够导致小鼠学习记忆障碍,混合暴露引起的氧化损伤诱导的神经兴奋或抑制性毒性作用,以及神经营养因子沿轴突逆向传递降低或中断两方面作用导致神经递质产生和释放异常,进而引起学习记忆能力降低。     

中国高新技术产业能源消耗与碳排放分析

基于2000-2007年中国高新技术产业经济发展与能源消耗(简称能耗)数据,统计分析了中国高新技术产业能耗强度变化趋势,并采用“学习曲线”方法论证了高新技术产业能耗的特征;在此基础上,采用政府间气候变化专门委员会(IPCC)温室气体指导方针的方法核算了中国高新技术产业的碳排放量及排放强度.结果表明:(1)中国高新技术产...     

基于深度学习技术的藻类智能监测系统开发

浮游藻类对水环境的变化非常敏感,是评价水环境质量的重要指示生物.传统的浮游藻类监测依靠人工采样分析,需要专业检测人员使用显微镜对藻细胞逐一鉴定并计数,耗时耗力且严重依赖检测人员的专业知识与鉴定经验,限制了浮游藻类监测工作的标准化推广和普及应用.利用神经网络模型建立了一套浮游藻类智能监测系统,该系统能够实现浮游藻类检测的...     

运用机器学习方法预测空气中臭氧浓度

臭氧(O_3)浓度变化与天然源、移动源和点源的排放量存在某些隐含的关联。根据臭氧浓度变化的特性,基于污染源在线排放数据、气象监测数据以及空气质量监测数据构造特征,运用机器学习方法进行逐小时臭氧浓度预测。该方法不仅充分利用了臭氧浓度变化时序数据,而且考虑了气象条件变化对污染物浓度变化的影响,最重要的是将点源排放氮氧化物这一臭氧生成的重要前体物纳入模型考虑。在金砖国家领导人厦门会晤前后(2017年8月31日至9月9日),运用该方法对厦门市溪东、洪文、鼓浪屿和湖里中学四个大气自动监测站的臭氧小时浓度平均值进行滚动预报,比较准确地模拟出臭氧浓度的日周期性变化,同时对峰值和低谷能够进行较为有效的捕捉和刻画。按照《环境空气质量标准》(GB3095—2012)臭氧日最大八小时浓度平均值进行评价,四个站点均取得了90%的预报等级准确率。     

基于强化学习的城镇燃气事故信息抽取方法

为解决因城镇燃气事故调查报告标注样本缺乏,从而影响命名实体识别性能这一问题,提出基于BiLSTM-CRF+强化学习的燃气事故领域命名实体识别方法。首先在数据预处理阶段,采用基于文本结构的主旨段落抽取方法,识别事故调查报告的关键段落;其次在模型训练阶段,采用BiLSTM-CRF+强化学习模型,实现城镇燃气事故命名实体识别模型训练;最后利用城镇燃气事故调查报告作为试验数据进行验证。研究结果表明:经由强化学习模型降噪后,实体识别模型的综合评价指标提高5.76%,主旨段落识别方法相比Word2vec特征表示方法,使模型的综合评价指标提升7.17%。