This study assessed ICTMT awareness among Indian and Hungarian university students on different continents. He analyzed student attitudes toward ICTMT using differential, inferential, and predictive methods. MLR approaches predicted high Hungarian university student opinions. According to Pearson correlation, technology benefits favorably correlated with student attitude and usability. Exploratory Factor Analysis (EFA) suggested important MLR model elements that predicted student evaluations using educational benefit and usability factors. Thus, Hungarian students believe technology usability and benefits have been greatly affected. Based on ICTMT technology, Indian students' attitude was identified with the LR method. Their attitude and ICTMT advantages correlated positively according to the Pearson Correlation. EFA-PCA recommended all features. The Mann-Whitney U test then compared Indian and Hungarian students' technology use and advantages opinions. The T-test also promotes technology's national benefits. Technology use among Indian and Hungarian students was correlated through Correspondence Analysis (CA). It found a considerable technology benefit for Hungarian pupils but not Indian students. The Chi2, Fisher's Exact (FE), and Cramer's v (CV) tests assessed their viewpoint. The Mann-Whitney U test showed that Hungarian and Indian pupils' opinions differed. Then, Kruskal-Wallis H, Welch's t, and Mann-Whitney U tests compared opinions on technological progress and access. These statistical tests show that Indian and Hungarian students' perspectives differ. The optimistic machine learning models SVM, MLP, and PCA predicted students' nations based on their technology opinions. Another machine learning predictive model identifies ICTMT students' gender and geography. Students, teachers, parents, institutions, and government may benefit from the research. Students in both nations can learn about education technology developments. Management, technical coordinator, and teachers can assess and train pupils' technology awareness.

He developed Student Demographic Identification (SDI) to accurately identify a student's demographic attributes (age, course). SDI was compared to Random Forest (RF), Logistic Regression (LR), and Radial Support Vector Machine (R–SVM). The suggested technique improves classifier accuracy, F1-score, precision, recall, and Matthews Correlation Coefficient (MCC). He suggested important features to identify students' age, course, and gender. SDI correctly identified the student's age group and course 96% and 97%, respectively. Gradient Boosting (GB) improves LR, R-SVM, and RF gender prediction. RF and GB also identified student genders with 98% accuracy. All three classifiers also correctly recognized the student's area and institution with 99% accuracy. Our SDI algorithm may predict student demographics in real-time surveys.

Using machine learning and statistics, this study examined innovative elements affecting informatics students' satisfaction and happiness. The Random Forest (RF) method accurately predicted student happiness at 88%. Students loved hybrid learning and thought it was better for theory than laboratories. Student's t–test showed that age and course affected hybrid learning safety online (p < 0.05). Students in bachelor's programs (B.Sc.) under 20 were more confident than those in master's programs (M.Sc.) over 21 that hybrid learning is safe during the epidemic. Student satisfaction affects online education safety concerns and prospects. Time and expense utilization with management, University activities and assistance, and hard group work significantly affected student happiness. Future hybrid learning style, Appropriate for theory classrooms and laboratories, and Time and cost utilization with management were important predictors of student satisfaction with all machine learning methodologies. The article suggested hybrid learning challenges, pandemic support, and safety measures for higher education institutions.

A kínai Changhua Keresztény Kórházban végzett tanulmány vérplazma biomarker mintákat használt a májbetegség stádiumainak osztályozására. A kutatók olyan gépi tanulási algoritmusokat használtak, mint a Random Forest, a Logistic Regression, az XGBoost és a Support Vector Classifier, hogy megjósolják az olyan kórállapotokhoz kapcsolódó májkockázatot, mint a hepatitis, az autoimmun hepatitis, az alkoholos májbetegség és a nem alkoholos zsírmájbetegség. A tanulmány három különböző klasztert azonosított az LSA segítségével, az RF modell pedig 0,94±0,06-os magas pontosságot ért el. A májbetegség stádiumfokozatának legfontosabb jellemzőit azonosították, beleértve a GPT-t, a diagnózis időpontjában betöltött életkort, az eritrociták süllyedési sebességét és a C-reaktív fehérjét. A kifejlesztett modell értékes döntéshozatali eszközöket nyújt a klinikusok számára, lehetővé téve a májbetegség kezelésében a korai és célzott beavatkozásokat. 

Since the COVID-19 pandemic, teachers and students have started using online and hybrid learning in education. There might be several obstacles to adopting hybrid learning in theory classes or lab practice sessions. Based on student opinions, deciding what is appropriate for theoretical class and lab practice is challenging. We employed machine learning approaches to forecast the hybrid learning mode for theory classes and lab practices. We introduce a framework that utilizes machine learning to automate the identification of hybrid learning for Theory Class and Lab practice (TCLPI). Four machine learning models form the foundation of this framework: Random Forest (RDT), Support Vector Machine (SVN), Logistic Regression (LGR), and Extreme Gradient Boosting (XBT). In the context of Theory Class Identification (TCI), the SVN achieves a maximum test accuracy of 0.93, whereas the LGR achieves a minimum accuracy of 0.90. On the other hand, the Lab Practice Identification (LPI), XBT, RDT, and SVN achieved a test accuracy of 0.80. The outcome of trained algorithms is assessed using the Shapley Additive Explanation (SHAP), an explainable Artificial intelligence (AI) approach. This research found that student-teacher interaction decreased during lab practice, which is crucial. Internet disconnections, a lack of support during technological malfunctions, and the likelihood of cheating in exams without monitoring are also issues. We also found that students were accepting of hybrid learning for theory classes. Each model’s intrinsic feature relevance and SHAP values helped prove this. Research shows that hybrid learning works more for theory classes; it is less needed for lab practice for students.

A 3D-s képek biztonsága egy fontos kutatási probléma, amelyet meg kell oldani. A 3D-s képek összetettebb szerkezete miatt ezeknek a képeknek a titkosítása meglehetősen eltér az 1D-s és 2D-s képekétől. Ebben a cikkben egy háromlépcsős, kaotikus térképeken alapuló új képtitkosítási technikát mutatunk be, amelyben a 3D-s képet először a titkosítás előtt a 2D-s képekhez hasonló képformátumra konvertáljuk. A kaotikus rendszer kezdeti feltételeit az SHA-256 függvény használatával generáljuk a sima szöveg koordinátamátrixán. Kezdetben egy logisztikus térképet használunk a 3D-s kép csúcsainak koordinátaértékeinek összekeverésére és véletlenszerű pontok hozzáadására. A koordinátaértékeket ezután a második szakaszban összekeverjük és szétszórjuk a logisztikus-dinamikus kapcsolt logisztikai térképrács (LDCML) modell segítségével generált három sorozat segítségével. Ez a szakasz magában foglalja a lebegőpontos adatok egész és tört részekre bontását is. Az egész részt szétszórjuk, míg a tört részt összekeverjük a folyamat során. A harmadik szakaszban az összekeverést egy sátortérkép használatával végezzük a koordinátapontok között. Ez a folyamat fokozza a 3D-s képek robusztusságát, integritását és bizalmasságát, valamint védelmet nyújt a jogosulatlan hozzáféréssel szemben. A javasolt titkosítási eljárás az x, y és z irányok mentén nullához közeli korrelációs értékeket, 100%-os NPCR-t, 33,37%-os UACI-t és 7,9993-as entrópiaértéket ér el, ami robusztus biztonságát bizonyítja. Az időelemzés azt mutatja, hogy technikánk javítja a hatékonyságot és csökkenti a számítási költségeket azáltal, hogy rövidebb idő alatt dolgozza fel az adatokat. A biztonsági és statisztikai elemzés arra a következtetésre jutott, hogy a javasolt titkosítási algoritmus ellenáll a különféle hagyományos támadásoknak.

Háttér és célkitűzés: A szembetegségek, különösen a szürkehályog korai felismerése elengedhetetlen a látáskárosodás megelőzése érdekében. A pontos és költséghatékony szürkehályog-diagnózis gyakran fejlett módszereket igényel. Ez a tanulmány új mélytanulási modelleket javasol, amelyek globális és lokális figyelmi mechanizmusokat integrálnak a MobileNet és az InceptionV3 architektúrákba a szürkehályog-észlelés javítása érdekében a szemfenéki képekből. Módszerek: Két mélytanulási modellt, a Global-Local Attention Augmented MobileNet (GLAAM) és a Global-Local Attention Augmented InceptionV3 (GLAAI) modellt fejlesztettek ki a szemfenéki képek elemzésének javítására. A modellek egy kombinált figyelmi mechanizmust tartalmaznak a retinaképeken található károsodott régiók hatékony rögzítésére. Adatkiegészítési technikákat alkalmaztak a túlillesztés megakadályozására két szürkehályog-adatállomány betanítása és tesztelése során. Ezenkívül Grad-CAM vizualizációkat alkalmaztak az értelmezhetőség javítására az előrejelzéseket befolyásoló kulcsfontosságú régiók kiemelésével. Eredmények: A GLAAM modell 97,08%-os kiegyensúlyozott pontosságot, 97,11%-os átlagos pontosságot és 97,12%-os F1-pontszámot ért el a retina-adatállományon. A Grad-CAM vizualizációk megerősítették a modellek azon képességét, hogy azonosítsák a szürkehályoggal kapcsolatos kulcsfontosságú régiókat a szemfenéki képeken. Következtetés: Ez a tanulmány jelentős előrelépést mutat a szürkehályog-diagnosztikában a mélytanulás alkalmazásával, a GLAAM és GLAAI modellek pedig erős diagnosztikai teljesítményt mutatnak. Ezek a modellek képesek fejleszteni a diagnosztikai eszközöket és javítani a betegellátást azáltal, hogy költséghatékony és pontos megoldást kínálnak a szürkehályog-észlelésre, amely alkalmas a klinikai környezetbe való integrálásra.

A képrejtjelezési technikák általában egy adott egyszerű képadatot zajra emlékeztető rejtjelezett képadattá alakítanak, amely a titkos képadatok jelenlétének jelzőjeként szolgál. Az ilyen zajszerű képek továbbítása azonban felkeltheti a figyelmet, ezáltal vonzhatja a támadókat, és számos lehetséges támadással szembesülhet. Ez a cikk egy megközelítést mutat be egy vizuálisan értelmes képtitkosítási (VMIE) séma létrehozására, amely három biztonsági védelmi réteget ötvöz: titkosítást, digitális aláírást és szteganográfiát. A jelenlegi séma a robusztusság, a biztonság és a működési hatékonyság kiegyensúlyozott teljesítményének elérésére szolgál. Először az eredeti képet részben titkosítják az RSA titkosítási rendszer és a módosított Hénon-térkép (MHM) használatával. A második szakaszban egy digitális aláírást generálnak a részben titkosított képhez egy hash függvény és az RSA titkosítási rendszer alkalmazásával. A kapott digitális aláírást hozzáfűzik a fenti, részben titkosított képben a cikkcakk-összekeverés megvalósítása után előállított, részben titkosított képhez. Továbbá a jobb összekeverés és terjesztés elérése érdekében a digitális aláírást tartalmazó, részben titkosított kép 3D Arnold cat map (ARno-szorzatok) alkalmazásán megy keresztül, hogy létrehozza a titkos titkosított képet (Sr5). A javasolt technika biztonságának és robusztusságának biztosítása érdekében a különféle klasszikus támadásokkal szemben az SHA-256 hashfüggvényből és a vivőképekből származó hash értéket használják fel a módosított Hénon-térkép Mh10 és Mh20 kezdeti feltételeinek, valamint a cikkcakk-zavar esetén a Zip = (zrow, zwcol) kezdeti pozíciónak a generálására. A javasolt algoritmusban a digitális aláírást mindkét célra felhasználják a feladó hitelességének ellenőrzésére és a titkosítás minőségének javítására. A vivőkép lifting wavelet transzformáción megy keresztül, és nagyfrekvenciás komponenseit a beágyazási folyamatban az MHM permutált mintázatán keresztül használják fel, ami vizuálisan értelmes titkosított képet eredményez. A javasolt séma hatékony vizuális titkosítást ér el minimális torzítással, és veszteségmentes képminőséget biztosít a dekódoláskor (végtelen PSNR), egyensúlyt teremtve a magas szintű biztonság és a jó számítási hatékonyság között.

Háttér és célkitűzés:

A májbetegségek jelentős globális egészségügyi problémát jelentenek, gyakran csendesen progrediálnak, amíg el nem érik a cirrhosis vagy a májelégtelenség előrehaladott stádiumát. Gyakran csak akkor fedezik fel őket, amikor már túl késő. A korai felismerés elengedhetetlen, de a jelenlegi módszerekkel nehéz.

Módszerek:

A LivXAI-Net szimulálja a hordható bioszenzorokból – beleértve az izzadság-, vérlemezke- és protrombin-érzékelőket – származó folyamatos adatgyűjtést, és feldolgozza ezeket az adatokat a Mayo Klinika primer biliaris cirrhosis (PBC) adatbázisán (n = 424, 1974–1984) képzett gépi tanulási (ML) modellek segítségével. A Random Forest (RF) és XGBoost (XGB) osztályozók SHAP és Permutation Feature Importance (PFI) segítségével kerültek bevezetésre az értelmezhetőség javítása érdekében. A Hepatic Health Tracker mobilalkalmazás valós idejű kockázati előrejelzéseket nyújt, amelyeket TLS 1.3 és AES-256 titkosítású biztonságos adatcsatorna támogat.

Eredmények:

Az RF és az XGB 20-szoros keresztellenőrzés mellett 84%, illetve 82% pontosságot ért el. A szimulált valós idejű környezetben, történelmi adatkészlet felhasználásával tervezték és értékelték. Az RF és az XGB 20-szoros keresztellenőrzés mellett 84%, illetve 82% pontosságot ért el.

Következtetés:

A LivXAI-Net az értelmezhető gépi tanulást (ML) valós idejű bioszenzor adatokkal kombinálja, hogy proaktív májbetegség-kezelést tegyen lehetővé. Jelenleg szimulált környezetben, korábbi adatok felhasználásával validálták, de a jövőbeli munkák során élő szenzoradatokkal és klinikai vizsgálatokkal fogják alkalmazni, hogy valós körülmények között is igazolják hasznosságát és általánosíthatóságát.

A legújabb technológiai fejlesztések elősegítették a robotok széles körű integrációját különböző szektorokban, többek között az egészségügyben, a védelemben és az iparban. Az Internet of Things (IoT) alapú robotikus eszközök, amelyek fejlett érzékelőkkel és képalkotó képességekkel vannak felszerelve, elengedhetetlenek különböző feladatokhoz, mint például a környezeti monitoring, az autonóm navigáció és a valós idejű megfigyelés. A valós idejű megfigyelés esetében a robotikus eszközök hozzájárulnak a hatékony, biztonságos és megbízható kommunikációhoz. A valós idejű környezetben történő kommunikáció azonban számos kihívással szembesül, például a biztonság és az erőforrások optimalizálása terén. A korlátozott számítási erőforrások miatt az IoT-alapú rendszereknek könnyűsúlyú biztonsági megoldásokra van szükségük a kommunikáció hatékonysága és a biztonságos adatkezelés érdekében. A kommunikáció hatékonyságának és a biztonságos adatkezelésnek a javítása érdekében ez a tanulmány bemutatja a robotikus rendszerek könnyűsúlyú felügyeleti keretrendszerét (LSFRS). Az LSFRS optimalizálja az adatátvitelt a strukturális hasonlósági index kihasználásával, hogy kiküszöbölje a redundanciát és javítsa az erőforrások kihasznál A biztonságos kommunikáció érdekében könnyű titkosítási módszereket alkalmaznak: Tiny Encryption Algorithm (TEA), eXtended TEA (XTEA), Caesar Cipher és Exclusive or (XOR). A javasolt keretrendszert titkosítási teljesítmény, számítási hatékonyság és valós idejű felügyeletre való alkalmasság szempontjából értékelik. Az összehasonlító elemzés azt mutatja, hogy a javasolt keretrendszer versenyképes a meglévő technikákkal szemben.