Harvard University（哈佛大学）

How Motivation Relates to Generative AI Use: A Large-Scale Survey of Mexican High School Students

动机如何与生成式人工智能使用相关：墨西哥高中生大规模调查

Echo Zexuan Pan, Danny Glick, Ying Xu

机构 * Harvard University（哈佛大学） ； Oranim College of Education（奥拉尼姆教育学院） 纠错

AI总结 研究通过分析6793名墨西哥高中生的调查数据，发现不同动机profile的学生在数学和写作领域使用生成式AI工具存在差异，挑战了一刀切的AI整合方法，倡导基于动机的教育干预。

Comments This submission has been accepted by the ICLS Conference at the ISLS Annual Meeting. It will be included as a poster in the 2026 conference proceedings

A 3D Cross-modal Keypoint Descriptor for MR-US Matching and Registration

一种用于MRI-US匹配和配准的3D跨模态关键点描述符

Daniil Morozov, Reuben Dorent, Nazim Haouchine

机构 * Harvard Medical School（哈佛医学院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Inria（法国国家信息与自动化研究所） ； Sorbonne Université（索邦大学） ； Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inserm, AP-HP, Hôpital de la Pitié Salpêtrière（巴黎大脑研究所 - ICM, 法国国家科学研究中心, 法国国家健康与医学研究院, 巴黎公立医院集团, 皮提耶-萨勒佩特里医院） ； Technical University of Munich（慕尼黑工业大学） 纠错

AI总结 本文提出一种3D跨模态关键点描述符，通过合成iUS体积进行患者特异性匹配，学习共享描述空间，实现鲁棒且旋转不变的配准。

Comments Accepted in IEEE Transactions on Medical Imaging

Vocal Prognostic Digital Biomarkers in Monitoring Chronic Heart Failure: A Longitudinal Observational Study

慢性心力衰竭监测中的声音预测数字生物标志物：一项纵向观察研究

Fan Wu, Matthias P. Nägele, Daryush D. Mehta, Elgar Fleisch, Frank Ruschitzka, Andreas J. Flammer, Filipe Barata

机构 * Centre for Digital Health Interventions, ETH Zurich（苏黎世联邦理工学院数字健康干预中心） ； Agentic System Lab, ETH Zurich（苏黎世联邦理工学院代理系统实验室） ； Cardiology, University Heart Center Zurich, University Hospital Zurich（苏黎世大学医院心脏中心心脏病学） ； Center for Laryngeal Surgery and Voice Rehabilitation, Massachusetts General Hospital（麻省总医院喉外科与嗓音康复中心） ； Department of Surgery, Harvard Medical School（哈佛医学院外科学系） ； Speech and Hearing Bioscience and Technology, Division of Medical Sciences, Harvard Medical School（哈佛医学院医学科学部言语与听觉生物科学与技术） ； MGH Institute of Health Professions（麻省总医院健康职业学院） ； Centre for Digital Health Interventions, University of St. Gallen（圣加仑大学数字健康干预中心） 纠错

AI总结 本研究通过分析声音特征，探讨其在预测慢性心力衰竭患者健康恶化的潜力，发现声音特征在预测健康状况方面具有较高准确性。