• 空心阴极辉光放电(hollow cathode glow discharge)的技术工艺能力

  将空心阴极辉光放电(hollow cathode glow discharge)的工作气压范围拓展至0.01–0.1 Pa，使其放电等离子体可应用于以往因气压始终高于p = 1 Pa而无法实现的多项工艺过程。研究人员通过对浸入p < 0.1 Pa等离子体中钢制

  来源：Plasma

  时间：2026-07-10

• 润湿性对碳酸盐岩中聚合物滞留的影响：基于不同量化技术的静态与动态测试对比研究

  在聚合物驱油过程中，较低的聚合物滞留量对于降低环境影响和确保项目精确设计至关重要。在影响滞留量的因素中，润湿性仍然是一个关键但尚未被充分理解的方面，尤其是在碳酸盐岩层中。以往大多数研究聚焦于砂岩，且很少在静态吸附条件下评估润湿性的影响。此外，不同分析技术对聚合

  来源：ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING

  时间：2026-07-10

• 当教师进行心智化(Mentalization)：教师对课堂破坏性行为的回应之混合方法(Mixed-Methods)分析

  背景(Background)：课堂破坏性行为(Disruptive classroom behaviour)仍是教师、同伴及学生共同面临的持续挑战。基于心智化(Mentalization-Based Treatment, MBT)的干预(Mentalizati

  来源：Children

  时间：2026-07-10

• 使用鹈鹕优化方法优化平均动脉血压调节的控制器参数

  本文提出了一项统一的比较研究，涉及多种控制器，包括比例-积分-微分（PID）控制器、分数阶PID（FOPID）控制器、内模控制（IMC）控制器和倾斜-积分-微分（TID）控制器，用于平均动脉血压（MABP）的调节。这些控制器通过使用单一的元启发式方法，即鹈鹕优

  来源：Algorithms

  时间：2026-07-10

• 基于单位分解法与紧支撑径向基函数(CSRBF)的大尺寸图像二维经验模态分解(BEMD)快速高效新方法

  摘要：本文提出一种用于大尺寸图像二维经验模态分解（Bidimensional Empirical Mode Decomposition，BEMD）的快速有效方法。该方法将单位分解（Partition of Unity，PU）算法与紧支撑径向基函数（Compac

  来源：Mathematics

  时间：2026-07-10

• 刺破方法论泡沫：大语言模型与社会科学

  大语言模型（LLMs）越来越多地被用于社会科学的文本分类、调查模拟和因果分析。然而，许多应用犯了一个类别错误，将训练用于生成合理语言的系统视为直接测量社会现实。本文认为，这个问题是条件性的而非类别性的。自回归LLM的输出只有在结构化的人类参与将其锚定、验证并连

  来源：Fudan Journal of the Humanities and Social Sciences

  时间：2026-07-10

• 基于顺序和亮度保持的对比度增强可逆数据隐藏新方法

  随着互联网和智能设备的广泛普及，传输过程中保护数字信息变得日益重要。可逆数据隐藏（RDH）支持将秘密数据嵌入数字图像，同时允许隐藏数据和原始图像无损恢复。为提升图像质量，对比度增强（CE）技术被集成到RDH方法中，以增强图像细节和特征。然而，现有CE-RDH方

  来源：Electronics

  时间：2026-07-10

• AASPNet：基于自适应注意力对称渐进网络的弱监督图像超分辨率方法

  近年来，深度卷积神经网络(DCNNs)在单图像超分辨率(Single Image Super-Resolution, SISR)任务上取得了显著进展。大多数现有方法采用全监督(Fully Supervised)范式，即学习低分辨率(Low-Resolution

  来源：Electronics

  时间：2026-07-10

• 探索间质性肺病患者居家自我管理优先事项：一项使用Q方法学的混合方法研究

  目的：本研究旨在分析间质性肺病（ILD）患者的自我管理需求，明确其需求类型和特征，为护理人员制定个性化延续性护理计划提供科学依据。方法：本研究采用Q方法学（Q-methodology）。对13例ILD患者进行半结构化访谈，并结合系统文献检索，定性探索和总结患者

  来源：Healthcare

  时间：2026-07-10

• 基于Stacking集成学习的煤与瓦斯突出识别方法

  煤与瓦斯突出是一种受复杂耦合因素影响的主要矿井灾害，给灾害防治带来了障碍。为了解决传统单算法预测模型精度低、泛化能力差的问题，研究人员构建了一个两层堆叠集成学习（Stacking Ensemble Learning）突出风险识别模型。随机森林（Random F

  来源：Processes

  时间：2026-07-10

知名企业招聘：