[Sciences] Y'a t-il des briques de la Vie au fond d'un puit gravitationnel?

[cdang]

Actuellement, on estime que la moitié des TSA ont aussi un TDAH, et que les deux tiers des TDAH ont aussi un TSA.

mais de même la question se pose de savoir si ce taux est superieur car plus frequament recherche ou il y a un lien entre les deux.

Je ne suis pas neuropsychologue, en revanche, j'ai fait des statistiques.

S'il n'y a pas de corrélation, ça voudrait dire qu''il y aurait aussi 1/2 de la population générale qui aurait TDAH, et 2/3 de la population générale qui aurait TSA. Ce qui est antinomique avec la notion de trouble (si ça n'a pas de caractère exceptionnel, ce n'est pas un trouble, c'est une situation normale).

[Florentbzh]

On commence par un FP avec l'idée de recycler des mégôts

https://www.kisskissbankbank.com/fr/pro ... escription

et 5 ans plus tard

Copain clopant

[cdang]

Le vapotage peut provoquer des pneumopathies (PAV). Aux É.-U. d'A., ils ont eu une vague à partir de 2019 avec des morts, probablement dus à certaines molécules : THC, CBD et acétate de vitamine E. Ces produits étant interdits dans les liquides de vapotage en France, on n'a pas encore eu de cas chez nous, mais il y a eu un mort en Belgique en 2019.

https://fr.wikipedia.org/wiki/Pneumopat ... u_vapotage

[cdang]

Une équipe de chercheurs italiens aurait trouvé le moyen d'identifier quelqu'un par la manière dont le signal WiFi serait modifié en traversant le corps, et ce juste en utilisant le CSI (channel state information).

C'est un preprint qui n'a pas encore été soumis à la revue par des pairs, mais certaines personnes s'inquiètent de la possibilité d'être traqué.

Danilo Avola, Daniele Pannone, Dario Montagnini et Emad Emam, « WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding », arXiv, 17 juillet 2025
https://arxiv.org/html/2507.12869v1

Biometric features are extracted from Channel State Information (CSI) and processed through a modular Deep Neural Network (DNN) featuring a Transformer-based encoder. The network is trained using an in-batch negative loss function to learn robust and generalizable biometric signatures. Experiments on the NTU-Fi dataset show that our approach achieves competitive results compared to state-of-the-art methods, confirming its effectiveness in identifying individuals via Wi-Fi signals.