上次 notion + zapier 做完後，開會總算沒挨罵了，自動化服務真的讚！

而這次介紹 MAKE 串 LINE 做重要信件通知，也源自於我遇到的問題。

如果你不想聽故事，可以往下看教學。

Line Notify

首先，我們會用到 line notify 的服務，要先到官網登入申請。

登入後如果完全沒用過，會直接進到登錄服務畫面。

這邊除了 email 以外可以隨便填，email 之後要收確認信用的，請用你常用的 email。 然後提醒一下，網址跟 callback URL 不要用 google 之類常見的網址，會沒辦法通過，請隨便打一串看起來正常的網址。

設定完成後按登錄。

這時回去剛剛填的 email 收通知信，開通剛設定好的 line notify。

大功告成，這時點右上角的「管理登入服務」，就會看到剛剛設定好的 line notify，這樣 line 的部分就設定好了，可以去 make 做自動化串連。

Make

接著登入 make，如果是第一次使用，他會問你很多廢話。

不用管他隨邊點，直到你看到這個畫面。

點右上角 creat a new senario。

一進去會看到的這個圓圈，這個圓圈跟之前 Zapier 說的 trigger 是一樣的東西，可以手動自己設定流程 flow。

但我們還是叫 AI 幫我們啦，點右下角的 AI Assistant，對話框選選 creat or edit a senario。

輸入「if my gmail get a new email, then send LINE notification」

然後得到畫面上的 flow，左邊是 Gmail watch email，右邊是 line send a notification。

如果你用中文輸入類似的內容，常會跑出很複雜的 flow，這種 flow 裡面有很多有趣的功能。

但這集用不到，我們還是先回到正確的 flow 上。

點開 gmail，連上要整理的信箱。

連接完成後進入設定，先點選藍色的 click here to choose folder。

這邊會出現你在 gmail 裡做的標籤分類，由於我完全沒有按照規則整理，就直接選 inbox，對所有郵件進行分析。

filter type 用 simple filter。

下面的 Criteria 選 all emails 就好了，我們後面會再用 filter 細分。

然後這個，選 no。

選擇 yes 會把偵測過的 email 變成已讀，我不想這樣。

然後這邊是每次執行 flow 時，會抓取多少筆最新的 email 到 line 上發布通知。

免費的 make 是 15 分鐘執行一次 flow，請自己評估每 15 分鐘會收到多少封有用的信件，設定太多你的 LINE 通知會炸裂。

我自己測試後，設定為 5 就差不多了。

設定好點下 OK，會跳出從哪封 email 開始抓資料，用 from now on 就好，之後的新郵件就會自動讀取了。

按下OK，接下來就可以來設定 filter 啦。

點連接線旁邊的板手會跳出選單，選第一個 set up a filter。

進入 filter 設定畫面，上面的 label 是幫這個 filter 上標籤，填你喜歡的就好。

然後點 condition 下面的輸入框，選 subject 標題跟 text content 內文。

然後在 text operator 這裡，選擇 contains。

contains 是在特定字串中如果包含某個關鍵字，就可以通過。

這邊說的特定字串，就是上面欄位設定的標題跟內文。

接下來，在下面空格打上關鍵字，就完成啦。

如果有多個關鍵字要篩選，點選 add OR rule 設定其他關鍵字，不能多個關鍵字打在一起。

按下OK，你會看到板手變成一個漏斗，這樣 filter 就設定完成。

接著點開 line，他會要你輸入 notify API。

回到 line notify 的「管理登入服務」頁面，點擊剛剛設定好的服務，進入服務細節的頁面，複製上面的 client ID。

回到 Make 複製貼上按SAVE。

接著會進到這個頁面，這邊是設定你要在哪個聊天室發送通知，你可以設定在工作群組發送，我這邊先設定我自己就好。

然後進入 line 推播訊息的設定頁面。

message 這欄可以打成這樣，這樣就不會丟一個不知道在做什麼訊息，你也可以發揮創意寫一些幹話進去，增添趣味。

下面的設定用不到，我們直接按OK就完成了。

接下來就要測試啦，我先分別寄三封信件到公用信箱中，分別是：

1. 標題有關鍵字
2. 內文有關鍵字
3. 沒有關鍵字

寄完後，按下 run once。

成功的話就會在 line 上收到通知，果然，沒有把不含關鍵字的信件傳到 line 上，測試成功。

現在把下面的 scheduling 打開，就完成所有設定了。

以後再也不用擔心自己漏接公用信箱的重要信件啦！

結論

最後分享一下實做心得：

比起 zapier 跟 ifttt，make 用起來更有寫程式的感覺，對完全沒有程式背景的人，Zapier 跟 ifttt 會比較好上手，但在免費版的情況下，make 能做到比 zapier 更複雜的自動化功能。

像前面有出現過的複雜流程圖，就可以用 router 做出複數條件判斷的流程，例如前面抓gmail的流程，加上 router 後就不只能傳送提醒到line，還能自動回復罐頭訊息給符合條件的郵件，這如果要在zapier做，就要做兩個流程才能達成了。

另外如果你的公司信箱不是使用Gmail，前面的模組可以從Gmail改成Email，Connection type選用Microsoft系列。

理論上只要這邊按 save，就可以選擇你要串連的microsoft帳號。我串完之後還是抓不到信件，但 make 跟 microsoft 帳戶上，都顯示授權成功，如果有人知道這是什麼問題，請一定要留言告訴我⋯⋯

這次的分享就到這邊，如果有其他想看的 AI 工具測試或相關問題，可以直接留言 ，或給加入 Discord 跟我們一起討問喔。

如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜莊崇暉、田偲妤
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

不要再轉傳假訊息了！

「我家親戚群組又在 LINE 傳假訊息了！」這是常在年輕族群中聽到的抱怨，彷彿隨意散播謠言是長輩特有的行為，當你願意了解長輩的數位社交生活，將發現事實並非如此。中央研究院「研之有物」專訪院內民族學研究所李梅君助研究員，在研究 Cofacts 事實查核協作計畫時發現，臺灣民眾對公共議題的關注存在世代衝突，該衝突延伸至日常相處上，卻在事實查核的協作過程中看到正向溝通的曙光。究竟臺灣長輩發展出什麼樣的數位社交生活？如何應用第三方資訊與長輩溝通，甚至邀請長輩加入闢謠打怪行列？

2018 年臺灣地方選舉和公民投票讓存在已久的世代衝突瞬間引爆，面對韓流現象、同性婚姻、性平教育等議題，厭世代年輕人（1990 年代左右出生）和戰後嬰兒潮世代長輩（約 1946-1964 年出生）因經濟與社會生長背景的不同，常發生意見分歧而爭吵不休的情形。

在臺灣最多人使用的 LINE 即時通訊軟體中，出現不實謠言滿天飛的亂象，年輕人紛紛將矛頭指向長輩，批評長輩不先查核資訊真假就亂發文。

中研院民族所李梅君助研究員在研究 Cofacts 事實查核協作計畫時，發覺臺灣世代衝突問題的嚴重性。年輕人認定長輩就是假訊息的傳遞者，但事實上，許多年輕人也常在無意間互傳不實謠言。

「大眾常急著為長輩貼標籤，卻從來不去了解他們怎麼使用數位工具。這樣並無助於解決問題，只會加深彼此的誤會。」研究過程中逐一浮現的問題為李梅君指引出一條研究道路，從事實查核協作行動出發，逐步深入長輩的數位社交生活，探索緩解世代衝突、提升全民媒體素養的可能途徑。

「早安圖」的背後：長輩獨特的數位社交

從了解長輩的數位社交生活做起，應有助於促進不同世代的相互理解，李梅君選擇由長輩們發展出的「早安圖」文化來切入研究。

科技與生活的緊密結合讓人手一機成為常態，再加上疫情造成的人群接觸減少，讓人們日漸習慣將社交重心從實體轉往線上。越來越多長輩靠 LINE 群組維繫親友感情、接收外界資訊，每天一早發布的「早安圖」經常是長輩社交生活的起頭。

然而，早安圖一直有被汙名化的傾向，溫馨圖片配上吉祥文字的簡單排版被貼上具有長輩風格的標籤，甚至還被戲稱為「長輩圖」。李梅君與長輩相處後發現，早安圖的存在對於長輩的社交生活具有深刻意義。

首先，早安圖是長輩證明自己跟的上年輕人腳步的重要象徵！身為晚近才接觸手機、電腦的「數位移民」，長輩常因不會操作數位工具、又害怕晚輩覺得自己笨拙，而感到焦躁不安。因此，當自己好不容易學會用手機拍照、修圖、發早安圖，對長輩來說是自信心的累積，代表自己沒被時代淘汰。

此外，早安圖也是長輩與人互動的敲門磚。李梅君察覺，有些長輩在傳訊息時相當在意社交分寸，不像年輕人想到什麼就 LINE 一下朋友，反而擔心隨意發文會被當成不懂規矩的「老人」。因此，當與新朋友開啟話題時，他們會先禮貌性地試探，這時無害的早安圖就是最好的敲門磚，可以從對方回傳的字句、貼圖或已讀不回，判斷能否進一步交談。

如果我們願意深入體會早安圖對長輩的意義，你將發現早安圖是長輩表達「關懷」的重要媒介。

例如在不方便見面的疫情期間，許多長輩會互相分享充滿溫馨祝福的早安圖、早安短影片，當中包含一些身體保健資訊，即時表達對遠方親友的關心，也讓對方知道自己過的很好。

但是，伴隨著早安圖的問候，群組裡轉傳的文字與圖像影片卻可能含有具爭議性的農場內容，例如每天喝檸檬水可以防疫、常喝地瓜葉牛奶可以防癌等，讓以關懷為出發點的長輩成為散播謠言的代罪羔羊。為此，有越來越多公民團體開始號召民眾一起打擊假訊息，李梅君研究的 Cofacts 就是其中一個針對 LINE 假訊息亂象所發展的計畫。

聽到外面的聲音：「事實查核協作社群」打開群組封閉的大門

LINE 假訊息亂象一直是假新聞議題中非常難處理的一塊，因為 LINE 不像 Facebook、Twitter 或 Instagram 有審查下架機制，LINE 聊天室裡所有的對話都經過加密，就算檢舉了某用戶的言論，LINE 官方也難以遏阻資訊傳播。

李梅君提到：「雖然 LINE 群組相當封閉，在臺灣卻已具有極大的公共性。」很多群組都涉及公共議題的討論，並累積千百人以上的成員，一旦有人惡意散播不實謠言，在缺乏查核機制的情況下，後果可能不堪設想。

因此，自 2016 年起，公民科技社群 g0v 臺灣零時政府的成員推出「Cofacts 真的假的 – 訊息回報機器人與查證協作社群」，邀請民眾主動回報在 LINE 上發現的可疑訊息，再由來自各領域的編輯志工進行事實查核，撰寫有助判斷訊息真假的回應。之後只要有民眾發出相似問題，機器人便會從資料庫中找出相關回應供民眾參考。收到回應的民眾如有不同看法，也可以補充新的回應。

你可能會好奇，當今的「人工智慧」（AI）已可查核假訊息，為何 Cofacts 還在仰賴編輯志工這樣的「工人智慧」？李梅君指出，目前的 AI 僅可以偵查大規模的操弄訊息來源，或者評估影像有無修圖造假。當前要用 AI 來判讀文字內容的真偽還相當困難，因為一則文字訊息通常真假資訊參雜，當中還包括個人意見或情緒用詞，很難明確判定是真是假。

因此，Cofacts 的編輯志工除了指出訊息錯誤之處，也會提醒該則訊息是否含有個人意見，有助民眾從封閉的 LINE 群組接收外界聲音，進而創造一處可以參與討論的公共空間，共同思考謠言是什麼、怎麼跟謠言對話。

和時間賽跑 艱辛的闢謠之路

不過該計畫也有艱辛之處，由於需仰賴大量人力進行事實查核，Cofacts 經常面臨闢謠速度趕不上謠言散播的問題。根據統計，Cofacts 的 LINE 目前有 42 萬名好友，過去 10 週每週傳來約 650 則新謠言；目前登記的編輯志工大約有 2,600 多人，但每週會固定回應訊息者只有 20 人上下，平均澄清一則謠言要花 20 至 30 分鐘。

李梅君分享實際參與事實查核的心得：「一開始你可能很熱血地上線回應訊息，但回應了一、二天後，可能會逐漸失去參與感，畢竟你只是一個沒支薪的志工，而且很多謠言看了又很令人痛苦，還要耐著性子花 30 分鐘回應。」

因此，為了維持志工夥伴的參與熱情，Cofacts 每個月都會辦一次聚會，藉由分組競賽活動，讓志工們培養共同打怪的向心力，也可相互交流查核經驗、結交志同道合的朋友。

至於使用 Cofacts 釐清謠言的民眾又有何回饋呢？李梅君聽過一些年輕志工分享參與事實查核的原因，主要是想透過 Cofacts 的第三方資訊與長輩對話。雖然不確定長輩能否接受，卻可盡量避免家人之間發生正面衝突。

根據李梅君的觀察，在政治議題上，純粹處理謠言無法真正化解世代衝突，因為謠言只是表現形式之一，背後牽涉每個人不同的價值觀與政治立場，需仰賴更多對話空間的產生。

不過，在疫情期間，與防疫相關的健康資訊則明顯受到不同世代的共同關注，Cofacts 的使用人數因此大幅成長，其中增加最多的就是 50 歲以上的使用者。因為健康資訊較不受政治立場影響，再加上全民必須共同面對疫情威脅，世代衝突的問題自然較少。

公民團體的辛勤奔走 努力提升全民媒體素養才是真正的關鍵

ChatGPT 等生成式 AI 問世後，未來可能會出現更多人為操作的假圖文，或是誤信 AI 偏差回覆等狀況。面對上述危機，李梅君認為：

應對關鍵在於，大眾是否具備足夠的「媒體素養」與「思辨能力」去判讀網路訊息。

可惜這在我們過去的教育裡並不受重視，直到近幾年教育部才開始在 108 課綱下推動「媒體素養教育」，要求在不同年級與學科中融入媒體素養課程。例如資訊課會介紹社群媒體用演算法投放廣告的邏輯；理化課會教學生分辨並思考「偽科學」的成因；國文課則透過閱讀不同文本培養思辨能力。

然而，社會上多數人沒有上過相關課程，很多還是不太熟悉數位工具的長輩，幸好現在有 Cofacts 以及多家臺灣公民團體在做媒體素養教育。他們主動走進長輩的生活圈，教長輩怎麼使用手機、如何確認訊息真假，甚至鼓勵長輩善用發早安圖的習慣，成為謠言破除推手。

李梅君目前的研究正在觀察這些公民團體怎麼採取行動。例如 NGO 組織「假新聞清潔劑」會前進廟口、菜市場或老人服務中心等長輩聚集地，舉辦街頭宣講活動。在宣講過程中，一開始不會直接跟長輩講假訊息，因為假訊息在臺灣的脈絡裡很容易被導向敏感的政治議題，誤以為要聊網軍。

因此，宣講的切入點通常會先問長輩是不是常收到詐騙訊息？接著，志工會分享一些受騙案例，例如有人買了網路一頁式廣告的保養品，結果臉爛掉；或是吃了來路不明的保健食品，最後弄壞身體。藉由生活化、無政治立場、令人感同身受的案例，讓長輩意識到學會辨別訊息真假很重要！

另一個事實查核的組織「MyGoPen｜麥擱騙」會製作一則則精美的謠言澄清圖文，吸引長輩像發早安圖一樣，將這些闢謠圖文大量轉發到各個群組。如此一來，長輩本身既可釐清謠言，還可幫助更多長輩遠離詐騙，更證明自己擁有不輸給年輕人的知識與能力。

「我覺得這是很令人感動的事情，因為這個題目很難，可是有很多人願意用不同的角度去介入，而且大部分都是志工。」李梅君有感而發的說。

臺灣長期被國際視為境外假訊息泛濫的國度，如今一個提升全民媒體素養的生態圈正在形成，因假訊息而延伸出的世代衝突問題有待長時間相互理解溝通，但公民社群的力量讓人們看見改變的契機。

延伸閱讀

• 中研院民族所李梅君老師個人網頁
• Mei-chun Lee (2022). “Checking Facts by a Bot: Crowdsourcing Facts through LINE Chatbot in Post-Truth Taiwan.” Current Anthropology.
• Sam Robbins, Mei-chun Lee (2022). “Elderly Care: Taking the Good Morning Image Seriously.” A Broad and Ample Road.
• 【g0v 演講】 「沒有人」的運動：黑客、鄉民、與資料行動主義

智慧型手機的功能日趨全面，幾乎就要包辦日常生活大小事，當然也包含我們的健康。有些人拿它來記錄每天的運動狀況，也有人搭配應用程式，監測自己的心肺功能。

但這還不夠，科學家總是能想到更奇葩的需求：未來，你的手機也有機會變身「大麻檢測器」了！羅格斯大學健康暨健康政策與高齡研究所（Rutgers Institute for Health, Health Care Policy and Aging Research）研究團隊，調查大麻使用者的「嗨度」，並將其與機器學習技術做結合，試圖打造能準確判斷大麻中毒程度的日常小工具。

研究發表於《藥物與酒精依賴》（Drug and Alcohol Dependence）期刊^[1]。

大麻何以讓人愉悅？

法國喜劇劇集《大麻咖啡館》（Family Business）中，年輕企業家喬瑟夫．亞贊（Joseph Hazan）乘著法國大麻合法化的順風車，決定將老父親傑哈德．亞贊（Gérard Hazan）的肉鋪改造成大麻咖啡館。雖說父親一開始很反對，但在偶像安瑞可．馬西亞斯（Enrico Macias）的循循善誘下，父親最終也體驗了呼麻的快感，並開始積極面對他們的咖啡館事業。

大麻為何能讓人快樂到放棄執著？一個叫四氫大麻酚（Tetrahydrocannabinol, THC）的傢伙扮演著關鍵角色。由於 THC 的化學結構與人體的內源性大麻「花生四烯乙醇胺」（anandamide）十分相似，它能與大麻素受體（cannabinoid receptors）結合，並啟動大腦的獎勵系統，讓我們感到身心愉悅^[2]。

這不免讓人感到好奇：究竟，人們是如何攝入大麻的呢？

一般來說，大麻被攝取的途徑有二：吸食，或直接拿起來嗑（沒啦，是摻在食物裡面服用）。當人們吸食大麻時，裡頭的化學物質會從肺部進入血液，進而將它們運送到身體各處，包括大腦。但如果是用吃的，由於是透過消化系統吸受，因此大麻所帶來的影響通常會晚個 30 分鐘到 1 小時出現。

大麻中毒將導致「定向感」降低

對大麻使用者來說，它最迷人的地方大概就是使用後欣快的放鬆感受。此外，有些人也會體驗到感官放大的飄忽景象，但也有部分人認為，大麻會讓他們感到焦慮、恐懼、不信任和恐慌。雖然目前較少有因純粹吸食大麻而死亡的案例，然而，若是使用過量，便會引發大麻中毒（cannabis intoxication）^[3]。

大麻中毒的人，輕則產生飢餓與嗜睡等症狀，嚴重的話，會導致認知與對人事時地物的定向感降低，甚至會出現急性精神病（acute psychosis）^[4]。其他典型、可預測的症狀，還包括口乾舌燥、紅眼、短期記憶受損，以及知覺和動作的影響等⁵。

部分大麻中毒者，會因為大麻在精神上的影響，對外界反應時間過慢，造成工作或學校表現低落，甚至在開車、駕駛時形成干擾，最終導致交通事故與傷亡等憾事。

雖說如今有血液、尿液或唾液等測試，能針對大麻中毒進行檢測，但若要實現日常生活中的時刻監測，恐怕還是有些限制的。

過去曾有研究，以現代人形影不離的「智慧型手機」裡的感測器，來探測高風險的飲酒者，準確率高達 90%^[6]。有鑑於此，羅格斯大學健康暨健康政策與高齡研究所團隊開始研究，想知道在機器學習模型的協助下，手機是否能發揮檢測「大麻中毒」的作用，即時探測那些可能因大麻中毒引發的危機。

如何檢測嗨不嗨？關鍵是「使用後的行為」

團隊首先從美國賓州匹茲堡（Pittsburgh, PA）找來 57 位年齡介在 18~25 歲的年輕人，透過自我報告，得知他們每週至少使用大麻兩次。之後，團隊透過「手機回傳調查」搭配「手機內感測器數據」等方法，每日收集受試者使用大麻的相關數據持續至多 30 天，以掌握他們在大麻中毒後的狀況。

其中，回傳調查每日三次，包含開始與結束使用大麻的時間、用量，以及主觀感受的自我評分——依據「嗨」的程度，評分標準為 1~10分，其中 10 分為「敲級嗨」。後來回傳的 451 起大麻使用事件中，平均「嗨度」為 3.77 分。

而手機則搭配應用程式，收集了 102 種手機感測器的數據，如 GPS、加速度計（accelerometer）、撥出的電話數量以及平均移動距離等。有些人聽到這裡可能坐不住了。等等⋯⋯GPS 這類定位工具與加速度計，到底能做什麼？是這樣的，GPS 可用來偵測大麻使用者陷入「自我陶醉」時的行進範圍（travel boundary），而加速度計則是用來監測他們的步態與身體活動量。

在對照受試者的回傳調查及手機數據後發現，當使用者回報他們「正嗨」時，透過 GPS 的數據分析可知，他們的移動範圍並不遠。另外，此時加速度計的資料也顯示，主觀報告大麻中毒者，雖然活動多樣性下降，但身體的活動程度卻比較劇烈。

考慮時間點的監測，精確度大提升！

最後，他們在演算法的幫助下^[7][註1]，盼能瞭解上述方法，是否能區別無中毒和中毒（輕度或中度）的情形。透過各種中毒時的行為特徵，加上機器學習技術的檢核，智慧型手機就可以變成如假包換的「大麻使用監測器」啦！

為了探究這個組合的準確性，團隊企圖在不同的時間點（例如：一周中的某一天，或是某一天的幾點幾分）下做排查，找出與大麻使用行為與特定時間點的關係，以進一步確認大麻中毒的具體指標。

結果顯示，僅出動手機內的感測器偵測這群人是否使用大麻，準確度為 67 ％；但若結合「個人呼麻時間點」與 GPS 和加速度計等資料，則準確度高達 90％。

用手機偵測大麻使用？得再等等⋯⋯

面對如此結果，研究團隊認為，以手機結合機器學習預測大麻中毒程度，是相當可行的。不過，未來還需要加入更多資料，以完備這項工具。

首先，由於該研究對大麻中毒的判定，主要建立在「受試者主觀判斷和自我（ㄕㄡˇ）報告」的基礎上，因此在物質使用和生理反應的識別上，不如執法部門的檢驗工具那般客觀。此外，像是大麻使用者的使用史、攝入身體的途徑、劑量，以及使用者對大麻的耐受性，都會影響他們報告身體狀況的結果。

不僅如此，像是不常使用大麻者在中毒時，他們的行為與身體反應和那些「老司機」們相比，是否有明顯差異？該研究受試者多為白人，其他人種在同劑量的條件下，會不會產生相應的數據？這裡不是要戰種族，但光是「喝酒」這件事，每個人種的反應也多少帶有一些差異，像亞洲人普遍就很難代謝酒精^[8]。

以上種種，都是這個工具可能被泛用的關鍵。最後，假設這個大麻偵測小工具，有朝一日被推到應用程式的市場上，你會想下載嗎？又，我們是否能因為大麻使用者的敏感身份與風險，而逕自對他們搜集資料、加以監控？作為一旁拍手叫好等待好用產品問世的小老百姓，在引頸期盼的同時，也必須深思這樣的問題。

註解

• 註 1：該研究所使用的技術為「Light Gradient Boosting Machine」，是微軟公司以「決策數演算法」（decision tree algorithms）為基礎，於二〇一七年釋出 LightGBM 演算法，用於排序、分類和其它機器學習的任務。

參考文獻

1.  Sang Won Bae et al. (2021) Mobile phone sensor-based detection of subjective cannabis intoxication in young adults: A feasibility study in real-world settings. Drug and Alcohol Dependence. 
2.  How does marijuana produce its effects? National Institute on Drug Abuse, 2020.
3.  What are marijuana’s effects? National Institute on Drug Abuse, 2020.
4.  Helen Okoye. Cannabis Intoxication DSM-5 292.89 (F12.12). Theravive.
5.  Marijuana intoxication. U.S. National Library of Medicine.
6.  Bae et al. (2018) Mobile phone sensors and supervised machine learning to identify alcohol use events in young adults: Implications for just-in-time adaptive interventions. Addictive Behaviors
7.   LightGBM. Wikipedia.
8.  Hui Li et al. (2009) Refined Geographic Distribution of the Oriental ALDH2*504Lys (nee 487Lys) Variant. Annals of Human Genetics.