stat 篇论文 | Gist.Science

本文介绍了 DiSAH，这是一种通信高效、非迭代的联邦算法，能够在不共享患者级数据的情况下实现生存分析中风险差异的多中心估计，其准确度可与中心化模型相媲美，同时优于传统的元分析和局部方法。

本文提出了一种规则感知的贝叶斯框架，通过将潜在效用建模为动态逆偏好问题，在混合专家-群众系统中重构隐藏的群众偏好，从而实现对聚合权衡的审计以及对跨越33个赛季的电视竞赛数据中反事实决策协议的评估。

本研究表明，在严谨的学校层面样本外验证设计下，源自计算机化测评的项目调整过程指标，相较于传统的问卷数据，显著提高了对韩国学生在 PISA 2022 中数学成就的预测能力。

本研究开发了一个包含七个维度、共计39个指标的实用系统，用于评估并提高系统评价中检索策略的方法学质量，从而减少偏倚并增强可重复性。

本文介绍了一种用于功能输出模拟器的高可扩展性、模块化仿真器，该仿真器利用全局高斯过程长度尺度估计来实现快速局部回归，从而促进高效的主动学习和复杂多物理场模型的快速校准，同时与全贝叶斯方法相比显著降低了计算成本。

这项研究利用 2018 年对受洪水影响的喀拉拉邦 4,719 户家庭进行的调查数据表明，撤离通知显著增加了撤离的可能性，其中针对高风险和脆弱人群的定向面对面警告被证明特别有效。

本研究表明，Getty ULAN 与 Wikidata 中美国国会图书馆权威记录之间的契合并不保证独立验证，因为很大一部分链接是传播性的或无法追踪的，导致独立率在统计上仍处于不确定状态，并凸显了在关联数据工作流中对来源依赖性进行显式建模的紧迫需求。

本文引入并评估了首次将病例-队列风险集采样（case-cohort risk-set sampling）集成到深度 Cox 比例风险神经网络中，证明了虽然嵌套病例对照采样能始终近似全风险集性能，但小批量训练使得病例-队列采样能够以显著的计算节省实现相当的准确度。

本研究表明，虽然在数据极度匮乏的情况下，动态贝叶斯层级模型在小区域就业估计的准确性和不确定性量化方面优于机器学习估计器，但随着样本量和辅助数据质量的提升，机器学习方法也变得具有竞争力，从而为数据贫乏环境下的方法选择提供了实践指导。

这项关于在生物数学课程中实施翻转课堂模式的设计型研究发现，尽管学生取得了极高的学术表现，但其自我评估的团队协作属性普遍下降，这可能是由于掌握复杂软件工具所带来的认知负荷增加而导致的“反应偏移”。