Blog Khoa Học Máy Tính

Một nghiên cứu mới đây ở đại học Michigan cho thấy đôi khi vô vọng thì tốt cho sức khỏe hơn là còn hy vọng. Một ví dụ của họ: những người tù chung thân biết chắc không được giảm án thì sống vui vẻ hơn những người tù bị án chung thân với khả năng được giảm án. Lý do hiển nhiên là tình trạng phập phồng về khả năng được cái gì đó tốt hơn khá có hại cho sức khỏe. Tương tự như thế, một nghiên cứu khác cho biết cố gắng quá sức cho một mục đích nào đó cũng có hại cho sức khỏe. Phải biết tri túc tắc túc. Lý do cũng như cũ: ta luôn có cảm giác bất an vì hiện trạng là tạm thời, và hy vọng vào “kết quả” hoặc một “ngày mai” tươi đẹp hơn.

Tóm lại: muốn thoải mái về tinh thần thì phải biết tự lừa dối bản thân : đặt rất nhiều hy vọng nhưng tự bảo với lòng là “ta không hy vọng gì cả”. Ví dụ như viết xong một bài báo nộp vào hội nghị hàng đầu, rồi đừng hy vọng nó được nhận. Trong thời gian đó thay vì phấp phỏng chờ đợi thì làm tiếp nghiên cứu khác hoặc mở rộng nghiên cứu đó. Cứ như thế mọi thứ sẽ đến một cách tự nhiên, và ta có thể tự bảo bản thân là ta đang làm việc vì đam mê, không phải vì danh tiếng hay các loại “thoả mãn thú tánh” khác.

Đừng hy vọng là tôi nói đùa.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận (8) »

Một thí nghiệm gần đây trong ngành cognitive science của nhóm Tetsuro Matsuzawa ở đại học Kyoto cho thấy những chú chimpanzees trẻ tuổi có trí nhơ ngắn hạn tốt hơn con người, ít nhất là tốt hơn 9 sinh viên Nhật tham gia thí nghiệm. Kết quả này sẽ được đăng trên tạp chí Current Biology ngày mai. Xem video sau đây, tôi chắc chắn là chú chimp này có photographic memory tốt hơn tôi rất nhiều!

Một bộ các videos khác trong tập các thí nghiệm có ở website của trường các nhà cognitive scientists này. Các chú chimps chỉ cần 4/10 giây là đã có thể thực hiện rất chính xác (80%) tác vụ. Tôi có hai luồng suy nghĩ sau khi đọc tin và xem clip này:

1. Loại trí nhớ và phản xạ có điều kiện kiểu này là bộ skill set mà một số các video games rất thịnh hành đòi hỏi. Tetris chẳng hạn. Cho nên lần sau ai đó “chảnh” bằng cách khoe tài chơi non-strategic video games, bạn có thể cho họ xem clip trên

2. Một trong những bài học quan trọng nhất tôi học được từ sinh vật học nói chung và thuyết tiến hóa nói riêng là: nhân loại chẳng có gì quá đặc biệt so với các chủng loài khác.

Nghiên cứu ở trên là về một khả năng của não, còn về đạo đức thì có một bài mới ở Time hay cực. Xin trích một đoạn có liên quan:

But even in animals, there’s something richer going on. One of the first and most poignant observations of empathy in nonhumans was made by Russian primatologist Nadia Kohts, who studied nonhuman cognition in the first half of the 20th century and raised a young chimpanzee in her home. When the chimp would make his way to the roof of the house, ordinary strategies for bringing him down—calling, scolding, offers of food—would rarely work. But if Kohts sat down and pretended to cry, the chimp would go to her immediately. “He runs around me as if looking for the offender,” she wrote. “He tenderly takes my chin in his palm … as if trying to understand what is happening.”

You hardly have to go back to the early part of the past century to find such accounts. Even cynics went soft at the story of Binta Jua, the gorilla who in 1996 rescued a 3-year-old boy who had tumbled into her zoo enclosure, rocking him gently in her arms and carrying him to a door where trainers could enter and collect him. “The capacity of empathy is multilayered,” says primatologist Frans de Waal of Emory University, author of Our Inner Ape. “We share a core with lots of animals.”

Qua ví dụ chú gorilla cứu em bé trên và vụ bảo mẫu dán miệng em bé 18 tháng tuổi đến mức liệt não, chúng ta có còn dám tự cho là chủng loài có “đạo đức” nhất chăng?

Đọc tiếp toàn bài »

Chủ đề: KHMT và sinh học & Nghiên cứu nghiên kiếc | Bình luận (15) »

Theo bài báo này ở Journal of Economics Psychology:

In soccer penalty kicks, goalkeepers choose their action before they can clearly observe the kick direction. An analysis of 286 penalty kicks in top leagues and championships worldwide shows that given the probability distribution of kick direction, the optimal strategy for goalkeepers is to stay in the goal’s center

Chưa chi đã thấy sai. Nếu các thủ môn đa số đều không nhảy sang trái hay sang phải, như bài gợi ý, thì phân bố hướng đá bóng sẽ không còn như cũ nữa vì bọn cầu thủ đâu có đá ngẫu nhiên theo một “kick direction distribution” nào đó. Các bác nào làm về game theory ném đá bài báo nọ đi! (Có khi lại được thêm một publication.)

Khi thủ môn đổi chiến lược theo cái posterior thì các cầu thủ sẽ đổi prior.

Chủ đề: Nghiên cứu nghiên kiếc & Xác suất & thống kê | Bình luận (2) »

Theo tin:

“A team from the University of Tokyo has genetically engineered a mouse that does not fear cats. By tweaking genes to disable certain functions of the olfactory bulb (the area of the brain that receives information about smells directly from olfactory receptors in the nose) the researchers were able to create a ‘fearless’ mouse that does not try to flee when it smells cats, foxes and other predators.

Dễ òm. Muốn làm cho Tám Khỏe không sợ xe đụng, cho hắn … nhậu ba xị đế. Việc quái gì phải “genetically engineer” cái gì.

Không liên quan gì, có bài trên tờ Time về Ieng Sary và Ieng Thirith:

Daughters of a judge and among the country’s first female intellectuals, Ponnary and Thirith were sent to study in Paris in the 1950s where they met and later married two other Cambodian students — creating a foursome that went on to form the nucleus of one of the world’s most brutal regimes.

Đọc mấy câu sau thấy buồn cho nhân loại:

As court and police officers prepared the Iengs for the drive to the tribunal’s detention center on the outskirts of Phnom Penh Monday, neighbors came out to wish them good riddance. “They killed many people and they must be prosecuted,” says Pouk Salonn, 57, the owner of a small shop near the Iengs’ villa who lost her parents during the regime. But with the passage of some 30 years since the Khmer Rouge regime committed its crimes, the arrest of the elderly pair — Sary is 82 and Thirith is 75 — was little consolation. “Why are you only coming to ask questions now?” she asks, noting that there seemed to be more media attention on Pol Pot’s terrifying reign now than there was when he was actually in power. “[The regime] was a long time ago already.”

Chủ đề: Nghiên cứu nghiên kiếc & Tin tức đó đây | Bình luận »

Tiếp theo các nghiên cứu tôi đã đề cập năm ngoái, tạp chí Science số mới nhất có 2 bài về 2 nghiên cứu khác nhau về đề tài “hồn lìa khỏi xác”. Về cơ bản, hai nghiên cứu này thiết kế các thí nghiệm “lừa” não bộ chúng ta, cho ta cảm giác “xuất hồn”. Tờ NY Times có bài mô tả lại hai nghiên cứu này bằng ngôn ngữ bình dân:

The research provides a physical explanation for phenomena usually ascribed to other-worldly influences, said Peter Brugger, a neurologist at University Hospital in Zurich, Switzerland. After severe and sudden injuries, people often report the sensation of floating over their body, looking down, hearing what is said, and then, just as suddenly, find themselves back inside their body. Out-of-body experiences have also been reported to occur during sleep paralysis, the exertion of extreme sports and intense meditation practices.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận »

Theo một nghiên cứu mới (đăng ở NBER, biết qua Marginal Revolutions):

Our results suggest that an increase in the proportion of girls leads to a significant improvement in students’ cognitive outcomes. The estimated effects are of similar magnitude for boys and girls. As important mechanisms, we find that a higher proportion of female peers lowers the level of classroom disruption and violence, improves inter-student and student-teacher relationships as well as students’ overall satisfaction in school, and lessens teachers’ fatigue. We find, however, no effect on individual behavior of boys or girls, which suggests that the positive peer effects of girls on classroom environment are due mostly to compositional change, namely due to having more girls in the classroom and not due to improved behavior of peers.

Chủ đề: Nghiên cứu nghiên kiếc & Vui - Giải Trí | Bình luận »

Sắp đến Father’s Day, tờ New York Times có bài ca tụng các vận động viên bơi lội, bọn biến đàn ông thành cha. Luật số lớn (law of large numbers):

But men have the overwhelming quantitative edge in the gamete games. Whereas current evidence suggests that a human female is born with all the eggs she will have, and that only about 500 of her natal stock of one million will ever ripen and have a shot at fertilization, a male from puberty onward is pretty much a nonstop sperm bakery. Each testicle generates more than 4 million new sperm per hour, for a lifetime total of maybe 12 trillion sperm per man (although the numbers vary with the day and generally slope downward with age).

The average ejaculation consists mostly of a teaspoon’s worth of nonspermic seminal fluid, a viscous mix of sugars, citric acid and other ingredients designed to pamper and power the sperm cells and prepare them for difficult times ahead; the sperm proper account for only about 1 percent of the semen mass. Yet in that 1 percent may be found 150 million sperm, 150 million human aspirants yearning to meet their mammoth other halves.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận (1) »

Giống trong phim Minority Report.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận »

Tờ IEEE Spectrum có bài về các nghiên cứu làm máy bay vỗ cánh, dùng năng lượng mặt trời.

(Nguồn ảnh: IEEE Spectrum.)

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận (5) »

Nếu bạn có thể ghi lại tất cả những gì xảy ra trong cuộc sống của mình: hình ảnh, âm thanh, suy nghĩ, cảm giác, v.v. Bạn sẽ làm gì với mớ dữ liệu khổng lồ đó? Nếu có một cách nào đó để ghi lại mớ dữ liệu này, bạn mong muốn một chương trình “data mining” mớ dữ liệu này có các chức năng thế nào?

Ví dụ: chương trình có thể cho bạn biết là hôm nay bạn ăn nhiều calories quá, ít calories quá, nhiều đường, ít rau, thừa cà fê; nó cũng có thể cho bạn biết cả 2 năm rồi bạn chưa đọc một quyển sách nào nghiêm túc, 6 tháng rồi chưa email hỏi thăm một người bạn cũ, các suy tưởng quay lại lối mòn đã đi qua chục lần; có một số mục tiêu bạn muốn đạt tới giao thừa năm ngoái nhưng chưa bao giờ thực hiện; mấy hôm nay bạn khó ở trong người và cư xử không thoải mái với người thân v.v. Chương trình này sẽ “hoàn tất” bạn, giúp bạn vượt qua các giới hạn sinh học của mình: tính lười biếng, chóng quên, ăn nhiều quá, ngủ nhiều quá, ít đọc sách quá, đọc sách nhiều quá, v.v. Chưa hết, đến khi bạn chết đi thì mớ dữ liệu khổng lồ này có thể được dùng để xây dựng lại chính bản thân bạn - một phiên bản số của bạn!

Nếu có một chương trình như thế, bạn có còn là … bạn nữa không? Nếu có, bạn có muốn dùng một chương trình như thế không?

Để bàn cặn kẽ câu hỏi này cần vài chục quyển sách. Trong thời gian đó, bạn có thể đọc bài về Gordon Bell ở tờ New Yorker, người đang ghi lại và số hóa cuộc sống của ông.

Chủ đề: Nghiên cứu nghiên kiếc & Nhân vật và sự kiện | Bình luận »

Machine learning hay statistics?
Quá nhiều terminologies làm cho tôi headache
Tôi khoái learning machines, bạn lại thích models
Bạn hỏi tôi về covariates, tôi nói chuyện features

Machine learning hay statistics?
Thứ nào nghe sexy hơn thứ nào boring sh*t?
Một câu hỏi nhỏ, nếu bạn vẫn gà mờ …
Xin chịu khó đọc thêm blog Ka Hờ Mờ Tờ

Tiếp theo bài blog hôm trước, tôi xin nói thêm về sự hỗn độn về thuật ngữ trong machine learning. Dân làm machine learning nói riêng và KHMT nói chung rất sáng tạo trong việc đặt tên cho sản phẩm thuật toán của mình. Mỗi một tít bài báo ở hội nghị thường có kèm tên một thuật toán (hay system, hay architecture mới), cho dù ý tưởng của bài báo chỉ là một thay đổi epsilon của một bài báo trước đó.

Trong machine learning, mỗi một thuật toán máy học mới thường có cái tên là một machine gì đấy, làm ta liên tưởng đến một cậu HAL đang được thai nghén. Vậy nên có cả một vườn thú các learning machines, ví dụ có thể tìm thấy ở Journal of Machine Learning Gossip (một website hóm hỉnh của dân làm ML). Điều này làm cho những người bắt đầu bước vào vườn thú rất choáng. Mặc dù xuất phát điểm mang tính lịch sử của machine learning là từ trí tuệ nhân tạo, nhưng nhìn lại, rất nhiều ý tưởng trong ML đã được khơi nguồn từ statistics, và trong một thời gian khá dài (từ những năm 1950 đến những năm đầu 1990) đáng tiếc là không có sự liên hệ đầy đủ giữa hai ngành. Dưới đây tôi thử liệt kê vài khái niệm trong machine learning và dịch sang ngành thống kê. Đây là open list, ai có thêm thì xin mời bổ sung vào. Để tiện tôi chia ra làm một vài mục:

Mô hình:

• machines, learning machines (e.g., support vector machines): models
• networks (e.g., neural networks, Bayesian networks, Markov networks): models
• concepts: models
• multilayer networks: hierachical models
• Bayes nets, Bayesian networks: (probabilistic) graphical models
• instance-based learning methods: nonparametric models
• input features: covariates
• output: response variable
• model selection: model choice

Thuật toán:

• learning algorithms, training algorithms: (frequentist) estimation procedures

• Bayesian learning: Bayesian inference
• probabilistic reasoning: probabilistic inference
• unsupervised learning, clustering algorithms: use of latent (hidden) variable models, generative models
• supervised learning, classification algorithms: classification, regression, discriminative models
• empirical risk minimization principle: M-estimation methods (M stands for maximization)
• cost function: loss function

Một số linh tinh khác:

• PAC (probabilistically approximately correct) learning: đảm bảo đúng với xác suất cao
• convergence: trong ML thì đây thường chỉ sự hội tụ của thuật toán, nhưng trong statistics thì đây thường nói về tốc độ hội tụ của estimation error của một estimation procedure nào đó
• sample: trong ML thì chỉ một data point, trong statistics thì chỉ một tập các data points.

Một số lớn các khái niệm căn bản của ML (thường là bắt đầu một cách ad hoc) đã được giới thiệu và nghiên cứu một cách có hệ thống và chặt chẽ ở ngành thống kê. Ngược lại, còn rất nhiều khái niệm hay và sâu sắc trong thống kê vẫn chưa được áp dụng trong các vấn đề machine learning. Tuy vậy machine learning ngày càng đóng góp cho statistics những khái niệm mới mẻ, đặc biệt liên quan đến khía cạnh computation complexity và hiệu quả thuật toán, và ML cũng góp phần phát triển nhiều mô hình (learning machines) rất thích hợp cho large scale và dynamically processed data mà ngành statistics đã từng thờ ơ. Ví dụ một số thuật ngữ sau ở machine learning nhưng không có mặt ở mainstream statistics cho đến thời gian gần đây:

• computational complexity của một vấn đề learning
• computational efficiency một learning machines
• message-passing type algorithms
• các mô hình về on-line learning
• reinforcement learning
• graphical models
• v.v.

Nhìn lại, không khó mà nhận thấy rằng intellectual root của machine learning là statistics và computer science. Điều này không nằm ngoài quy luật của phát triển khoa học. Những hướng/ngành nghiên cứu mới có triển vọng thường phát triển từ sự giao thoa của nhiều ngành khoa học lớn đi trước nó. Trong lịch sử phát triển của trí tuệ nhân tạo nói chung và machine learning nói riêng, nhiều vị tiền bối trong ngành đã không có sự nhìn nhận xác đáng về cái gốc rễ ấy (statistics và continuous mathematics). Họ đã kỳ vọng là có thể phát triển công nghệ mới mà không cần đến những công cụ toán học đương đại (kể cả xác suất thống kê). Điều này làm cho trí tuệ nhân tạo và machine learning đi chậm lại hoặc lạc hướng vì đã bị cô lập với statistics cũng như các ngành liên quan như signal processing, information theory, operations research,… trong suốt mấy thập niên liền.

Tôi không nói điều gì thực sự mới mẻ ở đây đối với những người nghiên cứu ở cutting-edge của machine learning ngày nay, nhưng có thể là mới mẻ và hy vọng là hữu ích cho những bạn đang dự định nghiên cứu về machine learning, trí tuệ nhân tạo trong KHMT, cũng như nhiều ngành liên quan đến xử lý dữ liệu khác.

Chủ đề: Nghiên cứu nghiên kiếc & Thuật ngữ chuyên ngành & Trí tuệ nhân tạo & Xác suất & thống kê | Bình luận (14) »

Khi tôi đang học đại học ở Postech và tìm một đề tài nghiên cứu tốt nghiệp, tôi làm quen với machine learning một cách tự nhiên. Mặc dù thích cả về lý thuyết thuật toán, nhưng ngày đó machine learning nghe sexy hơn nhiều. Tưởng tượng xem, tôi học ngành máy học (hay học máy nhỉ). Những năm 90 vẫn còn đọng lại dư âm cái hype của những neural networks và genetic algorithms bắt đầu từ thập niên 80. Ôi chà, những thuật toán có cảm hứng từ sinh học. Những lãng mạn từ “2001: A space odyssey” và MIT Robotics lab của Rodney Brook… Ông thầy vung vẩy tờ bìa Tạp chí Nature với cái tít “thế kỷ của brain science“, và tất nhiên tin học sẽ luôn là xe đò trong các khoa học tự nhiên và ứng dụng. This is it! Neural networks và genetic algorithms. Có rất nhiều tạp chí và conference, thậm chí cả PhD program được tập trung vào những lĩnh vực này. Thậm chí có rất nhiều người đã cao giọng khái quát hóa NNs và GAs thành các “paradigm”, “architecture” của trí tuệ nhân tạo trong tương lai. Rất nhiều chương trình nghiên cứu, như của thầy hướng dẫn thời undergraduate của tôi, chỉ xoay vần khá chật vật quanh mô hình này.

Ngày nay, NNs và GAs không còn nằm ở trung tâm của nghiên cứu machine learning hay artificial intelligence nữa. Một cách công bằng, NNs và GAs có thể coi là những dạng mô hình học hữu ích trong nhiều áp dụng thực tế. Nhưng chúng không phải là paradigm tổng quát gì cả, mà cũng có những hạn chế như rất nhiều mô hình thống kê khác. Không có gì bí ẩn tại sao các thuật toán NNs hay GAs lại work và không work. Thế mạnh và yếu đều được hiểu một cách khá cặn kẽ từ nền tảng thống kê cổ điển và hiện đại (classical và modern statistics), lý thuyết xác suất, lý thuyết xấp xỉ, v.v.

Có lẽ đóng góp lịch sử lớn nhất của NNs và GAs là sự hấp dẫn, mới lạ và sự hiệu quả của những phương pháp này. Chúng thu hút một số lượng lớn rất nhiều các kỹ sư, các nhà khoa học thực nghiệm và tính toán, vật lý lý thuyết, … tất cả những ai phải xử lý số lượng dữ liệu lớn và nhiều chiều. Những người này đã quan tâm đến và góp phần phát triển tiếp machine learning. Họ thường không ngại ngần gì với những data sets khổng lồ. Họ cần những giải pháp computation hữu hiệu, nhưng không thích quá nhiều assumption cứng nhắc về dữ liệu. Họ thực dụng, và không bị lệ thuộc vào các mô hình thống kê cổ điển giáo điều. Họ quả cảm và năng động chứ không máy móc như các nhà thống kê cổ điển. Và cũng giống như fashion, machine learning vẫn tiếp tục sexy, nhưng cái hype không còn là NNs hay GAs mà chuyển sang các mô hình thống kê khác, như graphical models (Bayes nets), support vector machines, các mô hình nonparametric Bayes, v.v.

Đó là một câu chuyện sơ lược về machine learning. Các ứng dụng của machine learning thường thú vị và bất ngờ, hương pháp áp dụng thường là những heuristic thông minh, nhưng lại ad hoc. Để phân tích và phát triển tiếp thì machine learning phải dựa vào nền tảng vững chắc của thống kê. Nếu bạn là một sinh viên đại học hoặc bắt đầu học cao học và muốn nghiên cứu về machine learning, thì phải học xác suất thống kê cho vững. Nếu không có thể bị chóng mặt bởi một đống fashionable algorithms của nó.

Vậy về mặt tri thức, machine learning và thống kê khác nhau ở điểm gì?

Đối với tôi, không hề có sự khác biệt mà chúng là một. Có thể nói đây là vision mà tôi chia sẻ với không ít người khác. Theo tôi, cả hai ngành đều cùng phát triển và sẽ hội tụ về thành một điểm trong tương lai. Gọi nó là statistical machine learning, hoặc computational statistics gì đều được. Đóng góp của statistics có tính chất nền tảng trong việc xử lý uncertainty, xử lý noise trong dữ liệu. Đóng góp của machine learning nói riêng và KHMT nói chung là sự chú trọng đến khía cạnh thuật toán và hiệu quả tính toán.

Trước đây thống kê cổ điển không chú trọng nhiều đến khía cạnh computation này, nên các sản phẩm của họ (dưới dạng statistical tests hoặc linear estimation procedures) thường có tính chất về computation rất đơn giản. Do đó chúng chỉ áp dụng được cho các data set rất nhỏ, mặc dù chúng có hiệu quả thống kê rất tốt về mặt lý thuyết; hoặc nếu data set lớn thì chỉ hữu ích khi chúng tuân thủ theo các assumption rất khắc nghiệt. Nhưng sự phát triển không ngừng của KHMT và những thành công của machine learning là cho các nhà thống kê học giật mình, và họ bắt đầu giang rộng vòng tay đón nhận machine learning như một lĩnh vực tiên phong trong statistics, sẵn sàng đón nhận những thách thức về computation bên cạnh độ hiệu quả về thống kê.

Quả thực sự phát triển của machine learning như thổi một luồng gió mới vào chính ngành statistics, làm cho nó sexy hơn. Một mặt khác, nhưng người làm về machine learning cũng cảm thấy cần thiết phải quay lại với những nền tảng của statistics để hiểu và gọt rũa các phương pháp heuristic của họ một cách hoàn chỉnh, và bớt đi phần ad hoc hơn.

Rồi bạn sẽ thấy ngày càng ít những phát biểu kiểu như: “My approach is neural network based, not a statistical one“. Trái lại bạn sẽ nghe thấy các nhà thống kê học nói nhiều hơn đến “algorithms” và “data structure”, còn dân KHMT sẽ nói nhiều đến “statistical analysis”. Bạn nào học machine learning khi trả lời phỏng vấn visa ở lãnh sự quán Mỹ, muốn tránh phiền phức với các chuyên ngành nhạy cảm (như AI, machine learning, vision, robotics,…) có thể thật thà theo giải pháp của tôi: nghiên cứu về statistical computer science Nói với tay lãnh sự rằng, it’s fun, it’s sexy, but not at all sensitive

Chủ đề: Nghiên cứu nghiên kiếc & Thuật ngữ chuyên ngành & Trí tuệ nhân tạo & Xác suất & thống kê | Bình luận (13) »

Theo bài ở Boston Globe

In fact, educated women nationwide now have a better chance of marrying, especially at an older age, than other women. In a historic reversal of past trends … ONE REASON EDUCATED WOMEN are more likely to marry today than in the past is that modern men are less threatened by equality and more interested in finding a mate who can share the burdens of breadwinning … Furthermore, college-educated couples have lower divorce rates than any other educational group. And in the last 30 years, while the marriages of less-educated women became less stable, the marriages of college-educated women became more stable.

Cái đó chưa hay, cái này mới hay

So the doomsayers are wrong. Educated men and women are more likely to marry and less likely to divorce than others . And guess what? They have better sex lives, too. According to sociologist Virginia Rutter of Framingham State College, surveys show that educated couples engage in more variety in their sex lives. They are, for example, more likely to participate in oral sex, and educated women are more likely to receive oral sex as well as perform it. “Education breaks down gender taboos that can be at the heart of a lot of sexual disappointments,” notes Rutter, “and education helps men in particular to loosen up sexually.” Educated husbands are also more likely to help with housework, which turns out to be a potent aphrodisiac. Psychologist John Gottman, professor emeritus at the University of Washington in Seattle, found that when men do more housework, their wives are more likely to be “in the mood” for sex.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận (1) »

Kết quả của một bài báo ở SIGGRAPH’06.

Digital Face Beautification, Tommer Leyvand, Daniel Cohen-Or, Gideon Dror and Dani Lischinski, ACM SIGGRAPH 2006 Technical Sketches.

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận »

(Biết qua Pharyngula.) Bản đồ sau đây cho biết nền kinh tế của các tiểu bang của Mỹ ngang bằng với quốc gia nào trên thế giới. Kinh tế Việt Nam tương đương với tiểu bang Rhode Island, Canada bằng Texas, Pháp bằng California, Đại Hàn bằng Florida, vân vân.

(Click vào bản đồ cho hình lớn hơn.)

Chủ đề: Nghiên cứu nghiên kiếc | Bình luận »