丹麦AI模型预测死亡率准确度超保险公司，引发被滥用担忧

丹麦AI模型预测死亡率准确度超保险公司，引发被滥用担忧丹麦科技大学的苏尼·莱曼·乔根森及其团队开发了一款强大的人工智能模型“Life2vec”，能够根据个人数据预测死亡率，其准确度远超现有的任何模型，包括保险业使用的模型。该模型利用了丹麦600万人（2008-2020年）的教育、就医、诊断、收入和职业等数据，通过分析个人生命历程中的事件序列来预测未来事件的可能性。在实验中，Life2vec模型使用2008-2016年的数据进行训练，2016-2020年的数据用于测试。结果显示，该模型预测35-65岁人群的存亡结果的准确率比现有AI模型和保险业常用的死亡率统计表高出11%。此外，该模型还能比专门用于性格测试的AI模型更准确地预测人口子集的性格测试结果。乔根森认为，Life2vec模型可以应用于广泛的健康和社会议题，例如预测和早期干预健康问题，或帮助政府缩小贫富差距。然而，他也强调，该模型如果被企业滥用可能会造成危害。他表示，Life2vec模型不应该被保险公司使用，因为这违背了保险互助的理念。英国精算师协会的马修·爱德华兹也指出，保险公司对新的预测方法感兴趣，但目前决策主要依靠简单的AI技术，对新方法的采用非常谨慎。投稿：@TNSubmbot频道：@TestFlightCN

文凭试预测等级研究显示英文科预测准确度较高

文凭试预测等级研究显示英文科预测准确度较高考评局完成2023年文凭试的预测等级研究，四个核心科目中，英文科的预测准确度较高，约71%考生的预测等级与其文凭试实际等级相同；约28%的预测等级，较实际等级高或低一个等级。99%的预测等级与实际等级的差距，均在一个等级范围内。至于中文、数学必修部分及通识科，分别有约52%、60%及50%的预测等级，与考生的实际等级一致。三个科目都有超过九成的预测等级与文凭试实际等级差距，在一个等级范围内。结果反映，核心科目的校内评估分数，大致能反映学校考生在文凭试的表现。今年有391间学校参与研究，涉及36400名学校考生。考评局按学校提交的校内科目评估分数，并参考学校过去的文凭试成绩，预测考生的等级，再与有关考生在今年文凭试实际成绩相比而得出结果。考评局会向参与研究的学校，提供详细报告，借此协助教师进一步了解学生的公开试表现，以及优化校内评核的设计。2023-11-2317:31:18

机器学习模型可利用现有数据准确预测中风

机器学习模型可利用现有数据准确预测中风中风可能特别难以诊断，因为它的迹象和症状可能被其他疾病所模仿，如癫痫发作、偏头痛、精神障碍、药物和酒精中毒。此外，中风可以表现为非典型症状。大约25%的中风患者不会出现通常的语言问题、面部下垂和四肢无力，这使保健医生做出准确诊断的能力更加复杂。来自卡内基梅隆大学、佛罗里达国际大学和圣克拉拉大学的研究人员利用机器学习技术开发了一个自动筛选工具，以消除诊断中风的一些猜测。该研究的通讯作者RemaPadman说："机器学习方法已经被用来通过解释详细的数据，如临床记录和诊断成像结果，来帮助检测中风。但是当病人最初在医院急诊科被分流时，这样的信息可能并不容易得到，尤其是在农村和服务不足的社区。"为了开发他们的中风预测算法，研究人员使用了2012年至2014年期间佛罗里达州急诊医院收治的超过14.3万份个人病人记录。他们还纳入了美国人口普查局进行的美国社区调查的数据，其中包括年龄、性别、种族和现有医疗条件等人口统计数据。机器学习模型预测中风的准确率为84%。它也是高度敏感的，超过了现有的诊断模型，这些模型往往会错过高达30%的中风。该研究的主要作者MinChen说："现有模型的灵敏度不高，这让人担心它们会遗漏相当比例的中风患者。在医疗资源和临床人员短缺的医院，我们的算法可以补充目前的模型，帮助快速确定病人的优先次序，进行适当的干预。"该研究的结果表明，这种机器学习模型可以在通过影像诊断或实验室测试获得确认之前准确预测一个人已经或正在发生中风的可能性。"因为我们的模型不需要临床记录或诊断测试结果，它可能在处理症状较轻和不典型的走读中风患者时，对解决误诊难题特别有用，"该研究的共同作者XuanTan说。"它也可能在低容量或非卒中中心的急诊科有用，因为那里的服务提供者每天接触到的卒中有限，而且在农村地区，敏感的诊断工具有限。"但研究人员指出，他们的算法并不打算成为一个独立的模型；它应该与现有的中风诊断模型一起使用。研究人员建议将他们的中风预测算法纳入入院时可获得的自动化、计算机辅助的筛查工具。该研究发表在《医学互联网研究杂志》上。...PC版：https://www.cnbeta.com.tw/articles/soft/1355885.htm手机版：https://m.cnbeta.com.tw/view/1355885.htm