On a global scale, vocational education is widely recognised as a cornerstone for economic growth and a key solution to industry skill gaps. As part of the national agenda to inculcate more skilled and technical talents to boost the economy, China has created the most extensive vocational education in the world. Yet enrolment for vocational higher education is still relatively low, and this can derail its national agenda. This study aims to explore the intention to attend vocational college among general senior high school students in Northwestern China of Ningxia using the Theory of Planned Behaviour and to investigate the role of gender as a moderator in this intention. Data was collected from 432 senior three high school students in Ningxia, China, using a survey instrument which contains four variables with 28 items. The independent variables are attitude towards attending vocational college, subjective norms, perceived behavioural control; while intention to attend college is the dependent variable. SmartPLS was used to analyse these relationships and the moderating effect of gender on these relationships. Analysis showed that attitude had a positive and significant relationship with intention while subjective norms and perceived behavioural control did not. Gender was found to moderate the relationship between attitude and intention where the effect is stronger for males. Gender also moderates the relationship between subjective norm and intention where the effect is stronger for females. This study is significant as it sheds more light into what factors contribute to the intention to attend vocational college. Finally, based on the findings of this study, recommendation were put forward for policy makers to increase enrolment for higher vocational education to meet the country's demand for skilled workers.

The experiment aimed to evaluate the effects of different ratios of

The development of autonomous driving technology brings convenience to people's lives, but in complex traffic environments, target detection technology still faces many challenges and limitations. In the field of autonomous driving, target detection relies not only on high-accuracy algorithms but also requires greater sensitivity and the ability to detect small objects, enabling vehicles to rapidly respond to changes in the surrounding environment. To enhance the model's realtime detection performance and ability to detect small targets, this paper proposes an improvement to the YOLOv5n algorithm, which improves the model's recognition accuracy without reducing the model's inference speed. Firstly, on the basis of the original model, a small object detection layer is introduced to better process and recognize small-sized targets, addressing the insufficiency in detecting distant small objects. Secondly, the original model's loss function is transformed to ECIOU_Loss. The optimized algorithm is applied to the traffic2023 dataset for detection. The experimental results show that the target detection algorithm based on the improved YOLOv5n proposed in this paper demonstrates significant effectiveness in autonomous driving applications. Compared with then basic YOLOv5n, the mAP50 has improved by 4.9%. All metrics have surpassed YOLOv5s, validating the algorithm's effectiveness and superiority.

Recognizing the action of plastic bag taking from CCTV video footage represents a highly specialized and niche challenge within the broader domain of action video classification. To address this challenge, our paper introduces a novel benchmark video dataset specifically curated for the task of identifying the action of grabbing a plastic bag. Additionally, we propose and evaluate three distinct baseline approaches. The first approach employs a combination of handcrafted feature extraction techniques and a sequential classification model to analyze motion and object-related features. The second approach leverages a multiple-frame convolutional neural network (CNN) to exploit temporal and spatial patterns in the video data. The third approach explores a 3D CNN-based deep learning model, which is capable of processing video data as volumetric inputs. To assess the performance of these methods, we conduct a comprehensive comparative study, demonstrating the strengths and limitations of each approach within this specialized domain.

Manufacturing of copper micro-patterns is crucial in electronics for its utilization as high conductivity transparent conductive films (TCFs) and circuits. In the preparation process of current TCFs, a plethora of materials have emerged that can replace traditional indium tin oxide (ITO). However, even for the most promising metal-based nanowire materials, there are issues such as high cost, complex welding, and high contact resistance. To address these problems, this paper proposes a printable and filament-drawable polydimethylsiloxane (PDMS)-based adhesive, which, through a novel additive patterning technology, efficiently and economically manufactures self-welding copper micro-meshes and circuits. The adhesive can be processed into micro-patterns through printing and filament drawing, on which ionic Ag can be in situ reduced and anchored, thereby eliminating the need for tedious pre- and post-treatment steps. The fully exposed Ag particles dramatically minimize the usage of precious metal catalyst, thus efficiently catalyzing electroless copper deposition (ECD) reaction. Highly conductive (1.03 × 10

This study evaluates the effects of liraglutide on albuminuria, oxidative stress, and inflammation in type 2 diabetes (T2D) patients with different urinary albumin-to-creatinine ratio (UACR) categories. We enrolled 107 patients with T2D who were initiating liraglutide for glycemic control. Patients were categorized into 3 groups: group I (UACR < 30 mg/g); group II (30 mg/g ≤ UACR ≤ 300 mg/g); group III (UACR > 300 mg/g). We observed the changes in body mass index, fasting plasma glucose, glycated hemoglobin, lipid profile, serum liver enzymes, creatinine, uric acid, cystatin C, UACR, as well as oxidative stress and inflammation biomarkers such as tumor necrosis factor-α (TNF-α), interleukin-6 (IL-6), monocyte chemotactic protein-1 (MCP-1), malondialdehyde (MDA), superoxide dismutase (SOD), and glutathione peroxidase before and after 3 months of liraglutide treatment. After 3-month liraglutide treatment, fasting plasma glucose, glycated hemoglobin, and body mass index significantly decreased in all 3 groups regardless of the baseline UACR (all P < .05). UACR significantly decreased in groups II ( P = .005) and III ( P = .001). Patients with higher UACR at baseline showed significantly greater albuminuria reduction ( P < .001). Compared with baseline, TNF-α, IL-6, MCP-1, and MDA were remarkably decreased, while SOD and glutathione peroxidase were significantly increased in all 3 groups ( P < .05). UACR at baseline showed a positive correlation with TNF-α, IL-6, and MDA, and a negative correlation with SOD at baseline. The change in UACR was negatively correlated with UACR, TNF-α, and MDA at baseline, while it was positively correlated with SOD at baseline, and also positively correlated with the change in MCP-1. Liraglutide ameliorated albuminuria in T2D patients with microalbuminuria and macroalbuminuria. The renoprotective effect of liraglutide was associated with the alleviation of oxidative stress and inflammation. These findings may provide new therapeutic strategies for patients with diabetic kidney disease.