「bia」の検索結果

Debian Linuxの不具合を、サービスやログ、パッケージの状態から切り分けます。必要に応じてAppArmorも考慮し、修復・検証・復旧の手順を示します。

• Debianのサービスやパッケージ調査
• セキュリティ制限の影響確認
• 修復・検証・復旧手順の整理

投資調査の前後に、大企業や英語情報への偏り、宣伝的なテーマへの依存、強気材料の拾いすぎ、古い数値の使用を点検し、調べ方と結論を見直すスキル。

• 中小型株や供給企業も調べたいとき
• 供給網調査を現地語の情報に広げたいとき
• 投資仮説を反対材料で検証したいとき

記事や調査資料を引用元までたどり、データの偏り、発信組織の利害、報道による歪みの3層を点検し、根拠が支える内容と編集上の解釈を分けて報告します。

• 記事の見出しと原典を照合したいとき
• 調査方法と資金提供者の利害を点検
• PDFレポートの根拠をたどりたいとき

Assesses AI bias risks for GDPR Art. 9 special category data and AI Act Art. 10 data governance. Covers fairness metrics, bias detection methods, mitigation strategies, and documentation requirements for protected characteristics. Keywords: AI bias, special category, fairness metrics, discrimination, Art. 9, Art. 10.

日本語の概要は準備中です。原文の説明を表示しています。

临床诊断思维 (临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — **直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新)** 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — **『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』** — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指

日本語の概要は準備中です。原文の説明を表示しています。

Recognition and mitigation of systematic reasoning errors documented in the heuristics and biases tradition. Covers confirmation bias, availability, anchoring, representativeness, framing effects, hindsight bias, overconfidence, and motivated reasoning. Each bias is presented with its mechanism, diagnostic signal, and structured mitigation. Use when you suspect your own or another reasoner's conclusions may be shaped by systematic cognitive distortion rather than evidence.

日本語の概要は準備中です。原文の説明を表示しています。

科学論文や研究上の主張を読み解き、実験設計、統計、偏り、交絡要因を点検して、証拠が支える結論と不確かさを根拠付きで整理するスキル。

• 論文の結論と証拠を照合したいとき
• データ収集前の研究設計の点検
• 統計上の問題や偏りの確認

投資家心理や判断の偏りを整理し、売買指標とリスク管理ルールの検討につなげるスキル。中国A株を中心に、相場の過熱感や順張り・逆張り戦略を分析します。

• 相場の楽観・悲観を点検したいとき
• 順張り・逆張り戦略の検討
• 投資判断の思い込みを点検したいとき

研究計画から投稿前まで、同意取得や個人情報保護、分析の偏りを点検します。倫理上の懸念と研究の信頼性を評価し、優先順位付きの改善策をまとめるスキル。

• データ収集前の同意説明文の確認
• 分析で疑わしい研究慣行を点検したいとき
• 質的研究の信頼性評価

Azure Weights & Biases SDK for .NET. ML experiment tracking and model management via Azure Marketplace. Use for creating W&B instances, managing SSO, marketplace integration, and ML observability. Triggers: "Weights and Biases", "W&B", "WeightsAndBiases", "ML experiment tracking", "model registry", "experiment management", "wandb".

日本語の概要は準備中です。原文の説明を表示しています。

Plans confounder control, variable adjustment logic, and bias mitigation strategies at the protocol stage for clinical, epidemiologic, translational, observational, and biomarker studies. Always use this skill when a user needs to identify major confounders, decide which variables should or should not be adjusted for, compare matching/stratification/weighting approaches, anticipate selection or measurement bias, or pressure-test a study design before execution. Focus on bias sensing, causal structure awareness, variable-role classification, and critical design review rather than generic statistical advice.

日本語の概要は準備中です。原文の説明を表示しています。

Calls significant loops from protein-directed and targeted 3C assays (HiChIP, PLAC-seq, Capture Hi-C/PCHi-C, ChIA-PET) where the contact background is peak-anchored and coverage-biased, so generic Hi-C loop callers (cooltools dots, Juicer HiCCUPS) use the wrong null. Covers FitHiChIP (config-driven coverage+distance-decay spline regression, peak-to-peak vs peak-to-all foreground, loose vs stringent background, coverage vs ICE bias), MAPS (positive Poisson regression on bias factors for PLAC-seq/HiChIP), hichipper (restriction-site-distance bias model + library QC), CHiCAGO (Delaporte two-component Brownian+technical background for asymmetric bait x other-end Capture Hi-C), the with/without separate-ChIP anchor decision, and differential loops via diffloop. Use when calling loops from HiChIP/PLAC-seq/Capture Hi-C, choosing FitHiChIP/MAPS/CHiCAGO, picking peak-to-all vs peak-to-peak, setting the loop FDR, supplying ChIP peaks as anchors, QCing a HiChIP library, or comparing loops between conditions.

日本語の概要は準備中です。原文の説明を表示しています。

Saudi Arabia Governance, Risk & Compliance advisor — a compliance router that first determines WHICH Saudi regulations apply (NCA ECC-2:2024, Saudi PDPL, NCA Cloud Cybersecurity Controls, SAMA Cyber Security Framework, CST cloud framework, DCC/OTCC/TCC), then guides framework-specific compliance. Use for any Saudi Arabia / KSA compliance question: NCA Essential Cybersecurity Controls, SDAIA and the Personal Data Protection Law (نظام حماية البيانات الشخصية), PDPL breach notification and data transfers, SAMA compliance for banks/insurers/fintechs, cloud data residency in the Kingdom, CST CSP registration, government/CNI cybersecurity obligations, market-entry compliance ("expanding to Saudi Arabia"), gap assessments, and mapping Saudi requirements to ISO 27001 / NIST CSF / SOC 2. Trigger for any KSA, Riyadh, Vision 2030 compliance, NCA, SDAIA, SAMA, or Saudi data protection question even if no framework is named.

日本語の概要は準備中です。原文の説明を表示しています。

Think and work like an expert Microbial Ecologist. Use when a task calls for Microbial Ecologist judgment. Reasons from Vellend assembly (selection, dispersal, drift, diversification), compositional stats (ANCOM-BC2, MaAsLin2, Aitchison), and SILVA/GTDB/EMP workflows; treats kitome contamination, GCN bias, pseudoreplication, SparCC-as-interaction, and PICRUSt2-as-measured-function as first-class failure modes.

日本語の概要は準備中です。原文の説明を表示しています。

Think and work like an expert Antimicrobial Resistance Scientist. Use when a task calls for Antimicrobial Resistance Scientist judgment. Reasons from MIC distributions, ECOFFs, and phenotype–genotype concordance through EUCAST/CLSI AST, CARD/RGI and AMRFinderPlus resistomes, GLASS/WHONET/NARMS surveillance, carbapenemase/ESBL/MRSA mechanism panels, and heteroresistance PAP while treating breakpoint mixing, genotype-without-phenotype overclaim, selection-bias surveillance, and CARD version drift as first-class failure modes.

日本語の概要は準備中です。原文の説明を表示しています。

Diagnoses bias, anomalies, and strange-looking results on a specific PostHog experiment. Covers empty / 0-exposure experiments, sample ratio mismatch, identity fragmentation, multi-variant exposure, uneven-split exclusion bias, significance traps (peeking, A/A, Bayesian vs Frequentist), PostHog-vs-SQL discrepancies, and surprises after mid-run edits. Symptom-driven dispatch to the right diagnostic. TRIGGER when: user asks 'is my experiment biased?' or 'why 0 exposures?', references the bias banner, says a variant looks strange / wrong / off, sees significance flipping, notices PostHog numbers disagreeing with their SQL, sees an A/A test showing significance, or reports surprises after mid-run edits. DO NOT TRIGGER when: creating a new experiment (use creating-experiments), only configuring rollout (use configuring-experiment-rollout) or metrics (use configuring-experiment-analytics), or only asking lifecycle questions (use managing-experiment-lifecycle).

日本語の概要は準備中です。原文の説明を表示しています。

Calls significant loops from protein-directed and targeted 3C assays (HiChIP, PLAC-seq, Capture Hi-C/PCHi-C, ChIA-PET) where the contact background is peak-anchored and coverage-biased, so generic Hi-C loop callers (cooltools dots, Juicer HiCCUPS) use the wrong null. Covers FitHiChIP (config-driven coverage+distance-decay spline regression, peak-to-peak vs peak-to-all foreground, loose vs stringent background, coverage vs ICE bias), MAPS (positive Poisson regression on bias factors for PLAC-seq/HiChIP), hichipper (restriction-site-distance bias model + library QC), CHiCAGO (Delaporte two-component Brownian+technical background for asymmetric bait x other-end Capture Hi-C), the with/without separate-ChIP anchor decision, and differential loops via diffloop. Use when calling loops from HiChIP/PLAC-seq/Capture Hi-C, choosing FitHiChIP/MAPS/CHiCAGO, picking peak-to-all vs peak-to-peak, setting the loop FDR, supplying ChIP peaks as anchors, QCing a HiChIP library, or comparing loops between conditions.

日本語の概要は準備中です。原文の説明を表示しています。

Score LLM and agent outputs using LLM-as-judge techniques — direct scoring against rubrics or pairwise comparison between two outputs. Includes built-in bias mitigation for position bias, length bias, and self-enhancement bias. Load when the user asks to score an output, judge a response, evaluate against a rubric, compare two outputs, do direct scoring, run pairwise comparison, or says "rate this", "which response is better", "score this against the rubric", "judge this output", "LLM as judge this". Sub-skill of eval-output orchestrator.

日本語の概要は準備中です。原文の説明を表示しています。

Calls significant loops from protein-directed and targeted 3C assays (HiChIP, PLAC-seq, Capture Hi-C/PCHi-C, ChIA-PET) where the contact background is peak-anchored and coverage-biased, so generic Hi-C loop callers (cooltools dots, Juicer HiCCUPS) use the wrong null. Covers FitHiChIP (config-driven coverage+distance-decay spline regression, peak-to-peak vs peak-to-all foreground, loose vs stringent background, coverage vs ICE bias), MAPS (positive Poisson regression on bias factors for PLAC-seq/HiChIP), hichipper (restriction-site-distance bias model + library QC), CHiCAGO (Delaporte two-component Brownian+technical background for asymmetric bait x other-end Capture Hi-C), the with/without separate-ChIP anchor decision, and differential loops via diffloop. Use when calling loops from HiChIP/PLAC-seq/Capture Hi-C, choosing FitHiChIP/MAPS/CHiCAGO, picking peak-to-all vs peak-to-peak, setting the loop FDR, supplying ChIP peaks as anchors, QCing a HiChIP library, or comparing loops between conditions.

日本語の概要は準備中です。原文の説明を表示しています。

過去の相場データで売買戦略を検証する仕組みを設計します。未来の情報の混入や上場廃止銘柄の除外による偏りを防ぎ、取引コストも含めて成績を評価します。

• 売買戦略の検証基盤を作りたいとき
• 過去の成績に偏りがないか調べたいとき
• 取引コスト込みで戦略を比較したいとき

AIへの指示文を、安全性・偏り・情報漏えい・分かりやすさの観点から点検。問題の説明に加え、改善したプロンプトと効果を確かめるテスト案をまとめるスキル。

• 利用前のプロンプト点検
• 固定観念や偏った表現の確認
• 情報漏えいや指示すり替えの点検

職種や経験レベルに合わせて、各面接の目的・時間配分・質問と採点基準を設計し、面接官ごとの評価のばらつきや偏りを見直す採用支援スキル。

• 職種別の面接構成を設計したいとき
• 各面接の質問を準備したいとき
• 面接官の採点基準をそろえたいとき

実行中の実験について、ログや結果ファイルから進捗と数値を集め、基準となる実験との差を表にまとめます。異常値の確認や次の対応、対応環境での費用の報告にも使えます。

• リモート実験の完了を確認したいとき
• 実験の数値を基準と比較したいとき
• NaNや学習の発散を調べたいとき

最新ニュースの論調を比較し、複数の立場をまとめた記事や市場データを取得します。株式・ETF・暗号資産のAI分析、オプション価格の推定、ミーム検索にも対応します。

• 媒体別のニュースと論調の比較
• 時事問題の複数の見方を把握したいとき
• 株式・ETF・暗号資産の価格調査