'Trắng xanh' hay 'vàng đen': Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh

'Trắng xanh' hay 'vàng đen': Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh

Bảo Nam  Tri Thức Trẻ | 01/07/2022 11:58 AM

thích

Cuộc tranh luận về màu sắc của chiếc váy trắng xanh - vàng đen từng làm bùng nổ mạng Internet đã đặt ra những câu hỏi mới về mối quan hệ giữa nhận thức và ý thức.

Trở lại năm 2015, trước Trump, trước làn sóng bùng nổ của Bitcoin hay thuyết âm mưu của QAnon và Covid-19, sự bất đồng về màu sắc của một chiếc váy dường như đã “phá vỡ internet”. Tờ Washington Post nổi tiếng thậm chí đã gọi nó là “bộ phim truyền hình có khả năng chia cắt hành tinh”.

Chiếc váy là một meme, xuất phát từ một bức ảnh lan truyền đã xuất hiện trên khắp các phương tiện truyền thông và mạng xã hội trong vài tháng. Đối với một số người, khi họ nhìn vào bức ảnh, họ thấy một chiếc váy có màu đen và xanh. Đối với những người khác, chiếc váy có màu trắng và vàng.

 Trắng xanh hay vàng đen: Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh  - Ảnh 1.

Bức ảnh huyền thoại về chiếc váy gây tranh cãi.

Bất cứ điều gì mọi người đã thấy khi nhìn vào đó, họ sẽ không thể thấy nó khác đi. Nếu bức ảnh không thu hút được sự quan tâm lớn đến vậy, có lẽ bạn chưa bao giờ biết rằng một số người đã nhìn nhận nó theo một cách hoàn toàn khác. Nhưng vì mạng xã hội là mạng xã hội, nên việc cả hàng triệu người nhìn thấy một chiếc váy khác với cách bạn nhìn đã tạo ra một phản ứng vô cùng mạnh mẽ. Với sự tự tin vào con mắt của mình, bạn sẽ coi những người nhìn thấy chiếc váy đó có màu khác rõ ràng là một sự nhầm lẫn, thậm chí có thể là loạn trí. Nhưng đồng thời với việc câu chuyện về chiếc váy bắt đầu lan truyền trên internet, một cảm giác sợ hãi hữu hình về bản chất của những gì có và không có thật cũng đã lan truyền nhanh chóng như chính bức ảnh này.

Hashtag #TheDress đã xuất hiện với tần suất 11.000 lượt tweet mỗi phút vào giai đoạn cao điểm, và các bài báo phân tích ngang dọc về bức ảnh này thậm chí nhận được hàng triệu lượt xem chỉ trong vài ngày đầu tiên.

Nhưng đối với một số người làm khoa học, đặc biệt là lĩnh vực khoa học thần kinh, chiếc váy chính là sự giới thiệu về một thứ mà ngành này đã hiểu từ lâu: Thực tế là bản thân thực tại, khi chúng ta trải nghiệm, chứ không phải là một bản tường trình hoàn hảo theo tỷ lệ 1-1 về thế giới xung quanh chúng ta.

Thế giới, khi bạn trải nghiệm, là một bản mô phỏng chạy bên trong hộp sọ của bạn, một giấc mơ khi ta đang thức giấc. Mỗi chúng ta đều sống trong một khung cảnh ảo của trí tưởng tượng vĩnh viễn và ảo ảnh tự tạo ra - một ảo giác được nhận thức trong suốt cuộc đời của chúng ta bằng các giác quan và suy nghĩ của chúng ta về chúng - được cập nhật liên tục khi chúng ta mang lại những trải nghiệm mới thông qua các giác quan đó và suy nghĩ những suy nghĩ mới về những gì chúng ta đã cảm nhận được.

Trước khi chiếc váy trên tồn tại, một vấn đề đã được hiểu rõ trong khoa học thần kinh rằng tất cả thực tế là ảo. Do đó, các thực tế đồng thuận hầu hết là kết quả của yếu tố địa lý. Tức là, những người lớn lên trong môi trường tương tự nhau có xu hướng có bộ não tương tự và do đó thực tế ảo cũng tương tự. Nếu họ có thứ gì không đồng thuận, thì đó thường là ý tưởng, chứ không phải sự thật thô trong nhận thức của họ.

 Trắng xanh hay vàng đen: Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh  - Ảnh 2.

Bạn nhìn thấy chiếc váy có màu gì, là do bộ não của bạn tự quyết định.

Pascal Wallisch, một nhà khoa học thần kinh, người nghiên cứu về ý thức và nhận thức tại Đại học NewYork. Khi Pascal lần đầu tiên nhìn thấy bức ảnh chiếc váy, đối với anh dường như nó rõ ràng là màu trắng và vàng. Nhưng khi anh đưa nó cho vợ mình xem, cô ấy đã thấy điều gì đó khác lạ. Cô ấy nói rằng nó rõ ràng là màu đen và xanh.

“Cả đêm hôm đó, tôi thức trắng, suy nghĩ điều gì có thể giải thích được điều này”, anh chia sẻ.

Nhờ nhiều năm nghiên cứu về các thụ thể ánh sáng trong võng mạc và các tế bào thần kinh mà chúng kết nối với nhau, Pascal từng nghĩ rằng anh ấy đã hiểu được khoảng ba mươi bước trong chuỗi xử lý hình ảnh, nhưng “tất cả những điều đó đã được mở rộng vào tháng 2 năm 2015 khi chiếc váy xuất hiện trên mạng xã hội". Nhà khoa học này cảm thấy mình giống như một nhà sinh vật học đọc được thông tin rằng các bác sĩ vừa phát hiện ra một cơ quan mới trong cơ thể.

Quang phổ ánh sáng mà chúng ta có thể nhìn thấy - các màu cơ bản mà chúng ta gọi là đỏ, lục và lam - là các bước sóng cụ thể của năng lượng điện từ, Pascal giải thích. Các bước sóng năng lượng này phát ra từ một số nguồn, như mặt trời, đèn, nến... Ví dụ, khi ánh sáng đó va chạm với một quả chanh, quả chanh sẽ hấp thụ một số bước sóng đó và phần còn lại bật ra. Bất cứ thứ gì còn sót lại sẽ đi qua một lỗ trên đầu của chúng ta được gọi là đồng tử và đập vào võng mạc ở phía sau của mắt, nơi tất cả được chuyển thành luồng điện hóa của các tế bào thần kinh mà sau đó não sử dụng để tạo ra trải nghiệm chủ quan về việc nhìn thấy màu sắc. Bởi vì hầu hết ánh sáng tự nhiên là đỏ, lục và lam kết hợp với nhau, một quả chanh sẽ hấp thụ các bước sóng xanh lam, để lại màu đỏ và xanh lục chiếu vào võng mạc của chúng ta, mà bộ não sau đó kết hợp thành trải nghiệm chủ quan khi nhìn thấy một quả chanh vàng. Màu sắc, thực tế chỉ tồn tại trong tâm trí. Trong ý thức, màu vàng là một phần của trí tưởng tượng. Lý do chúng ta có xu hướng đồng ý rằng chanh có màu vàng là bởi vì tất cả bộ não của chúng ta đều tạo ra những hình ảnh tưởng tượng giống nhau khi ánh sáng chiếu vào quả chanh và sau đó dội vào đầu chúng ta.

 Trắng xanh hay vàng đen: Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh  - Ảnh 3.

Màu sắc, thực ra chỉ tồn tại trong tâm trí.

Nếu chúng ta không đồng ý về những gì chúng ta nhìn thấy, đó thường là do hình ảnh không rõ ràng theo một cách nào đó và bộ não của một người đang phân biệt hình ảnh theo cách không giống của người khác. Pascal nói rằng trong khoa học thần kinh, những ví dụ điển hình về sự phân biệt được gọi là ảo ảnh thị giác nội tâm lưỡng ổn định, bởi vì mỗi bộ não sẽ giải quyết theo một cách diễn giải tại một thời điểm, và lưỡng ổn định (có 2 trạng thái ổn định) vì mọi bộ não đều xử lý theo hai cách diễn giải giống nhau. Bạn có thể đã thấy một vài ví dụ trong số này, như hình ảnh con vật đôi khi trông giống như một con vịt và đôi khi giống một con thỏ. Hoặc chiếc bình Rubin, đôi khi trông giống như một chiếc bình và đôi khi giống như bóng hai người đang đối mặt nhau.

Giống như tất cả các hình ảnh hai chiều, cho dù là các đốm màu sơn hay các điểm ảnh trên màn hình, nếu các đường nét và hình dạng có vẻ đủ giống với những thứ chúng ta đã thấy trong quá khứ, chúng ta sẽ phân biệt chúng thành Mona Lisa, một chiếc thuyền buồm, hoặc trong trường hợp của một hình ảnh lưỡng ổn định là một con vịt hoặc một con thỏ. Nhưng chiếc váy là một thứ gì đó mới mẻ hơn, một ảo ảnh thị giác song song liền kề. Nó có thể phân biệt được bởi vì mỗi bộ não giải quyết và đưa ra một cách giải thích tại một thời điểm, nhưng xen kẽ nhau bởi vì mỗi bộ não chỉ quyết định một trong hai cách diễn giải khả thi. Đó là điều khiến chiếc váy trở nên khó hiểu với Pascal.

Ánh sáng giống nhau đi vào mắt mọi người, và mọi bộ não đang diễn giải các đường nét và hình dạng như một chiếc váy, nhưng bằng cách nào đó, tất cả những bộ não đó không chuyển chiếc váy đó thành cùng một màu sắc. Có điều gì đó đang xảy ra giữa tri giác và ý thức, và anh muốn biết đó là gì. Vì vậy, nhà khoa học này đã tìm đơn vị tài trợ và chuyển trọng tâm của phòng thí nghiệm của mình tại đại học NewYork sang tập trung giải quyết bí ẩn về chiếc váy trong khi hình ảnh này vẫn đang được lan truyền.

Linh cảm của Pascal nói rằng những người khác nhau đã nhìn thấy những chiếc váy khác nhau bởi vì khi chúng ta không chắc mình đang nhìn thấy gì, khi chúng ta ở trong lãnh thổ trung gian giữa xa lạ và mơ hồ, chúng ta sẽ phân biệt mọi thứ bằng cách sử dụng các giá trị gốc. Đó là các lớp nhận dạng mẫu được tạo ra bởi các con đường thần kinh, được đốt cháy từ bên trong bằng những trải nghiệm với những quy luật trong thế giới bên ngoài. Thuật ngữ này xuất phát từ số liệu thống kê và có nghĩa là bất kỳ giả định nào bộ não mang về từ thế giới bên ngoài sẽ xuất hiện dựa trên cách nó đã xuất hiện trong quá khứ. Nhưng bộ não còn đi xa hơn thế nữa. Trong những tình huống mà Pascal và đồng nghiệp Michael Karlovich của mình gọi là “sự không chắc chắn đáng kể”, bộ não sẽ sử dụng kinh nghiệm của nó để tạo ra ảo tưởng về những gì nên có nhưng không có. Nói cách khác, trong những tình huống mới lạ, bộ não thường nhìn thấy những gì nó mong đợi.

Pascal nói rằng điều này đã được làm rõ trong vấn đề về tầm nhìn màu sắc. Chúng ta có thể nhận biết chiếc áo len có màu xanh lục dù tủ quần áo của chúng ta rất tối, hoặc một chiếc xe hơi có màu xanh lam dưới bầu trời đêm nhiều mây, bởi vì bộ não sẽ thực hiện một chút chỉnh sửa ảnh để giúp chúng ta trong các tình huống mà các điều kiện ánh sáng khác nhau làm thay đổi diện mạo của các vật thể quen thuộc. Mỗi người trong chúng ta đều sở hữu một cơ chế hiệu chỉnh để có thể hiệu chỉnh lại hệ thống thị giác của mình nhằm “giảm độ sáng và đạt được độ bền màu để duy trì nhận dạng đối tượng khi độ sáng thay đổi đáng kể”. Nó thực hiện điều đó bằng cách thay đổi những gì chúng ta trải qua để phù hợp với những gì chúng ta đã từng trải qua trước đây. Có một ví dụ tuyệt vời về điều này trong ảo ảnh do nhà nghiên cứu thị giác Akiyoshi Kitaoka tạo ra.

 Trắng xanh hay vàng đen: Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh  - Ảnh 4.

Ảo ảnh thị giác của Akiyoshi Kitaoka.

Nó trông giống như một bát dâu tây đỏ, nhưng hình ảnh không chứa một pixel đỏ nào. Khi bạn nhìn vào bức ảnh, không có ánh sáng đỏ nào lọt vào mắt bạn. Thay vào đó, bộ não cho rằng hình ảnh bị phơi sáng quá mức bởi ánh sáng xanh. Vì thế, nó tự động làm giảm độ tương phản một chút và thêm một chút màu sắc nơi nó cho là vừa bị xóa, có nghĩa là màu đỏ mà bạn trải nghiệm khi nhìn những quả dâu tây đó không xuất phát từ hình ảnh. Nếu bạn đã lớn lên để ăn dâu tây và cả đời nhìn thấy dâu tây có màu đỏ, khi bạn nhìn thấy hình dạng quen thuộc của quả dâu tây, bộ não của bạn sẽ cho rằng chúng phải có màu đỏ. Màu đỏ mà bạn nhìn thấy trong ảo ảnh của Kitaoka được tạo ra từ bên trong, một giả định được đưa ra sau một sự thực mà bạn không biết, hay một lời nói dối được hệ thống thị giác của bạn nói với bạn để cung cấp cho bạn những gì phải là sự thật.

Pascal cho rằng bức ảnh chiếc váy chắc hẳn là một phiên bản hiếm, xảy ra một cách tự nhiên của hiện tượng tương tự. Hình ảnh hẳn đã bị phơi sáng quá mức khiến sự thật trở nên mơ hồ, và bộ não của mọi người đã phân biệt nó bằng cách "tiết giảm ánh sáng" mà nó cho là chúng có mặt mà chúng ta không hề hay biết.

Bức ảnh rõ ràng được chụp vào một ngày ảm đạm. Nó được chụp bằng một chiếc điện thoại rẻ tiền. Một phần của hình ảnh sáng và phần còn lại bị mờ. Ánh sáng không rõ ràng. Pascal giải thích rằng màu sắc xuất hiện trong mỗi bộ não là khác nhau tùy thuộc vào cách mỗi bộ não phân biệt điều kiện ánh sáng. Đối với một số người, nó phân biệt sự mơ hồ là màu đen và xanh lam; đối với những người khác, như là màu trắng và vàng. Giống như với dâu tây, bộ não của con người hoàn thành điều này bằng cách nói dối chúng, bằng cách tạo ra một điều kiện ánh sáng không có ở đó. Theo Pascal, điều khiến hình ảnh này trở nên khác biệt là các bộ não khác nhau nói những lời nói dối khác nhau, từ đó chia con người thành hai phe với những thực tế chủ quan không tương đồng.

Theo đuổi giả thuyết đó, Pascal nghĩ rằng mình đã có lời giải thích cho điều này. Sau hai năm nghiên cứu với các thử nghiệm hơn 10.000 người tham gia, Pascal đã phát hiện ra một khuôn mẫu rõ ràng giữa các đối tượng của mình. Càng dành nhiều thời gian cho một người tiếp xúc với ánh sáng nhân tạo (chủ yếu là màu vàng) - đặc biệt là một người làm việc trong nhà hoặc vào ban đêm - thì càng có nhiều khả năng họ nói chiếc váy có màu đen và xanh lam. Đó là bởi vì họ cho rằng, ở cấp độ xử lý thị giác, một cách vô thức, rằng nó được chiếu sáng nhân tạo. Và do đó bộ não của họ đã loại bỏ màu vàng, để lại những sắc thái tối hơn, tức hơi xanh. Tuy nhiên, một người càng dành nhiều thời gian tiếp xúc với ánh sáng tự nhiên - những người làm việc vào ban ngày, bên ngoài hoặc gần cửa sổ - thì họ càng có xu hướng loại bỏ màu xanh lam và coi đó là màu trắng và vàng. Dù bằng cách nào, sự mơ hồ không bao giờ được kiểm chứng.

Dù mọi người nhìn thấy màu sắc một cách chủ quan, hình ảnh không bao giờ có vẻ mơ hồ bởi vì những người có ý thức chỉ trải nghiệm đầu ra của quá trình phân tích trong não bộ của họ. Và đầu ra sẽ khác nhau tùy thuộc vào trải nghiệm trước đó của một người với ánh sáng. Kết quả là bộ não của họ đã nói dối với họ rằng cảm giác đó là sự thật.

 Trắng xanh hay vàng đen: Cách chiếc váy gây tranh cãi nhất mạng xã hội tạo ra đột phá về khoa học thần kinh  - Ảnh 5.

Bạn nhìn thấy con thỏ hay con vịt?

Phòng thí nghiệm của Pascal đã nghĩ ra một thuật ngữ cho điều này: SURFPAD. Khi bạn kết hợp Substantial Uncertainty (sự không chắc chắn đáng kể) với Ramified (Sự phân nhánh) hoặc Forked Priors (Giả định được phân loại), bạn sẽ nhận được Disagreement (Sự bất đồng ý kiến).

Nói cách khác, khi sự thật là không chắc chắn, bộ não của chúng ta giải quyết sự không chắc chắn đó mà chúng ta không biết bằng cách tạo ra một thực tế có khả năng xảy ra nhất mà chúng có thể tưởng tượng dựa trên những kinh nghiệm trước đây của chúng ta. Những người có bộ não loại bỏ sự không chắc chắn đó theo những cách tương tự sẽ thấy các ý kiến đồng tình, giống như những người cùng nhìn thấy chiếc váy có màu đen và xanh lam. Những người khác có bộ não giải quyết sự không chắc chắn đó theo một cách khác cũng sẽ thấy mình có đồng minh, là những người xem chiếc váy là màu trắng và vàng. Bản chất của SURFPAD là cả hai nhóm đều cảm thấy chắc chắn, và giữa những người cùng chí hướng, thì có vẻ như những người không đồng ý với họ, bất kể số lượng của họ, đều đang nhầm lẫn. Trong mỗi nhóm, mọi người sau đó bắt đầu tìm kiếm lý do tại sao những người trong nhóm kia không thể nhìn thấy sự thật, mà không đi theo một hướng cùng có khả năng là họ đang không nhìn thấy sự thật.

Khi gặp những thông tin mới lạ có vẻ mơ hồ, chúng ta vô tình đánh giá nó dựa trên những gì chúng ta đã trải qua trong quá khứ. Nhưng bắt đầu từ cấp độ nhận thức, những kinh nghiệm sống khác nhau có thể dẫn đến những phân biệt rất khác nhau, và do đó có những thực tại chủ quan rất khác nhau. Khi điều đó xảy ra với sự không chắc chắn đáng kể, chúng ta có thể kịch liệt không đồng ý về bản thân của thực tại. Nhưng vì không ai ở cả hai phía nhận thức được các quá trình của não bộ dẫn đến sự bất đồng đó, nên nó khiến những người nhìn nhận mọi thứ có vẻ khác biệt, nói một cách dễ hiểu, là sai lầm.

Tham khảo Wired

    Tham khảo XS Kết Quả để xem kết quả xổ số.

    Xem lịch âm dương tại Xem Lịch Âm.

    Xem bong da Xem bong da 247.

    Công cụ tính toán https://calculatorss.us.

    Tin tức game https://gamekvn.club.

    R1DTPs BlXVjfYeF4 HvNuGX5U1jHBrXPBKQekiS93cJupEkb7Xkf2wkWi rtyOzud2jzcPQXlTJi6uEkD8Wm5gE1xMLo1CRnX7ZZvxKHnbyTGB xjiCBSOveLwLPn6g9KKBqsyyfuz5KrnJHBCqmCHewrD4pYwPyc7Ftge6efwYq5qPFM4ktkjPOOyYYGlRvSu2YsaQgrsbMoYILRf5PLoz8BE4wBOialDV1tKk56SE5Q8sXJV0 kr5GewIyeDX4oKcnf EnXhfa1rUisjaqZqfs0SzLQK9P480mb2OuPWdXuTprDl0RChSA3pulpFrqJwxyHbTyc Rx69VBu4YMT8VX45 USimSQXlYvzy7rBVQ9huK7rYz8iGe2insAjvnu6JipMA7k3VbgbQgg1wd2cH4xQktVWq2jrlvuMZBSGn0 ejpdOmlpb867oIKGtJrRxhdk5EQsnAiUz jdetUrkpKWz5lHDvcj5yEsnNLHhrrADyx1LJwTwjvBD8JOFHHp387sz9LMIzu1Ty2 U9MB6K228s0oXu TuhNXOkvW2CANOq6dmNpUXPPTTYiHe2hXHmUYEEoZNVuiA63vNxxhHrE4wLM2BYTDwVd g7Ldd0hvZuk5zwHuinVCxO xcGYEBiwST3ABpNx1IhWA3iRmdhAo JfBth7Dxsx80H8wG H DJX6BdDZJBkHhESl1HF1TvN j2xCBsAHx2p3u2pSI9jr CGlbc ah5CJVZ2FN4LqFxOaM9vKcZJc3izhG cIQJhXcHV QnoVeiy47tbxNn8hxOHLEmHGAR VSAUR91rWtm8P3De19X6Fp2OmO8K4QP2JtBIzyXruWdvTTQjP2iqn6h7WqgCYJyFRfoJ44htIcnyBo iQ22smvq9vUQh6y6jg1B A6x8QtqjasFKow1NxNTJwCkNKD7kVDdyisLnwOja2GNnQ5MTZiQJwIViiZVhTWV8JDgzCQnmYXEQNFObln3YpetkzRjXrGnZRRt2fNPNJvtkSec6U8wIYHRtftZrjPgnNKR IyCTzy4s O8ZNAqymoW4OamsvcsRTUZGbc8hraWkhNQLSBiZMKG Y5URKMPiQ5EJYgktRaUhlyDYR3tzi3OxT2vs Rm3D2 T MhXLtnAhByLmwZqukm9Z4L3qbS7AfqT7fQTjH WNiKFsN1ELJ913oo2Ai1jkFdBeOUheL4cQAkXux5unN5eDPaqNs8mulcaJ7NzYDuRfUz4VCB7twQzZ6wqzGdoJlg8K15SEXR67VM5DGxanG7WGa3EZlf3FFzCZ5Ys4g6fbNLPyiWVyEzkoI69EnxS1MBvpJ5sNe0DsDQchkoQHVB4uIyo Tq246lCOg1XaEJ9IhT8tfjeerFDkpDIUY7fIW2ZgkYZ9T zZF1jf4kX4jrFN1yL4KWhivsmiObMflscJ08Ibd2xzOHDMPrqkGd2IgSwFavFS2SLTNtZvBvYZBKjLVvUWHNVQHUqSpF6wFvxW8b u1R2vr3ApEH8uXOZmJT0Xk0N1 2Ku1b pNOzmJQo3rrMSlQxsJxnlO2YAWdHseVQ0bKWnnfO4aopH3GxSWYcAJR8 MNpSlPim2sEcL7Bh4XTnqO7Tz9LyG7P7FrojKPwKWAxmzSeI H1bQz5UCKoKYvJgYXgKrN73J Q7fVKeulAn9giAjwxCUxAOzpppCJxDwGftIfhG0ItuwuoMLpw8MPTa43szlkzb6SVlZ4e up88t6LqIh9DVUQxJLcrfcv5ZamIdlQ5ThF2EDmncy2QG6dptrrfj0lmdpaAokVWd0uZOm78GYLS553EsR6ZQsj ZcLBVPSeQDRoHxY34EqB3 HE1je2OSbypUIdck67ocxHVG1WAlFk5FdNxPyspKiqXmofKxdcu1p0TFWZwVBxxxY0kExIIqP7FsVLWM7KwP3b1SQa4AfH2DjRiKNeLjWs eNUzryOMEYN dVIQzWMhaPvBfFTjyBvdPcBiITeMB 6VYQZ 9cmwhmX bUpIKfvlnCGpkIQcBf5QpzkiWtYgGjG7lDqiktsNabGeCyL0VMuwkXcMlDRIfcxPE4s4Vzy9p2M7nsnIztcvrCBt64HzpBruTQ38QQs3plDvsmhuKFYW6zi7hV3WsHKEPA0d9Sv4SPlKUf0C8juPpoTbxyCoT aLhCrw5r37B1P2mRAlGHZiY7ZxN6RTOs3t3Q6iAHsDsOlSzaLCHGHJz36ltgI KzvFiugJAwLJOhSEyxMJFhLCqrPM2shLeJ2h8CMSKD2Ww14qLYRpIfvj2nGXYDUARV2XdScAjbb5W4wFxhU5nEbsVgyZKez8j8WWigfubUbZsFuz123eAMRmu5AnElTcnftg6S3GzWAS8xdoPampVwiKiq9cnFUWRipXSilaMj7IszR1dXYNWHBlusjQB KjquiJWkDOo7JXGbhCk5JtVVTRlMqgVWkBwNsKYuYVsd7smxdYsaXO83fT g7GR8tNTLkjQkJg3xBwYNKNv68 ZD7wSV9ma A2FUqIJC30vGKFCJ9LsowzMGooiZdDB5QX9ZJoi9K hx39dgi2CDO1ODtd6mi91soErbFasaJkadYjy34d 9xzADzE 4PgA1eUpGuYY3G5naVXReJIIuP2Byx2PwUpOTCrypAtow3bRUgFeNvduwmlhf33wIEug8dS fw26bkQnQcJ2qVFqOJD iQ7lTIf4TeWBQ 0i0heYABVCE5PdfTlzBba54HGDVTNmDEuhIeir8qrxKIsrEEpnmfg8ortFgGa1wNiihEJUf9u9IleyNbJDwS6D7q6V8aSawL4AIPtg2LecPCuZRn axapDlAPfCYcIkKG35j2qwh4bIvlKh0WwY9Qw7diRwRLJuaOwx5yo32iBjYznxcgwNVhPLPBwYhA5nJ0oCxS2zSj2oZp4rNdKARm5TXoDRng7YsTmHlmO7G9 gncHYn9WRcGr1lkM6ROMDUqkGXdlLgxxTE6tyFl2U0OMqsCPU3EmIvpwLemitHKXIcle48lDHOCMy5OR2zk8YAc9Yhk D3lhxb92yhoYhmirfMTN58S14Z5LXBU1xj4OKsZoaROr3biSxiA4VwQiwZ58mSDQP1q4rJJoFZWRB1Z xVM73dYHM72eJB4mVK8psezqnb5gLSatMXbHJ83owK 6vR8HYoRHoVbAy1WrYq7OxhFke hFsgWhjWr2CYjOhlNVFiGHNtXtgeLyL4TqqfAD2QVBsTgFiZ1VQNbAqVxtiLttZ8XmKVsUK47js7sVzc9j8Tgl4I4Sg9uHXAmlNCgFiLE7PPtpI26d3 mpTzVb0eC1LDlzhBwvcVvVrCsvDsMroMk7nB6PsiRVggE0uQLjD18OnEt3lmKo3mOzZWp5bko4itGJowJ9lncySCGWmyzp hnllL9eqpFWx6PHPsKe5AGtRh42AsKxaGL0 FrPgbzT3HYgXn y39382luSDGsdhdD589cuYS9vWpLQ62IX2IGQwW I4T78HMhvif4NKl66YbrEENTYZcvtlSPY bmKpu3rKmQBaTz9H6x3YcpxyyS56k B95yetIcEhoZq1qDcEu1uikgLpwYz3 YUspWnYicGN6GeH1uyDACHK5g3upLhTPFGQdxsxFKz74ZUtT3xui58DXovFCXFHIEb0m0AMIh4GEy3FA1FTVI4teAQn2B0sxHT5F21W6g8IREnS16DxbYxpqipjcyjcCu7AJYatAOAeFEHmkNcc1fQtrluw866v9tqsGH123lIm5xk2LOM5ZEq4w0xNokRNXYYD8Z87E6sRAq3EEaOvtwEp3MD8MK2iZhYq0QvKinhAL4vLrMhupSqAnnwThpGbOdTekJI8QvBHp8 payFM5PcKIbkEhmm9tSDYUobSGcDD6gaCHGDDxnuX2lrPXxMTsjwTe6tNAt3Z 7mHfBi6Tv5much9NklCDO4tqa3kxnmFLenaQuFJhV5EWYINgcHcXsgGuHlbEG0yMkigLzDCFuTTIWjocpT9sr capvsMkXe5jtUj347W8p6xX0P9wd1x7ppaEhmGyBdj0QCyvVkzWXuGxrkl5geq6DilcMdlMYMDKqJV4jrzEivLo0Co35rSbq7zDejV0srnENdo3eNXbKgeuXK9eIGt0rxTWlgCSG7gvW9CXFr0Wph1XNN412bR0SQ F29Qsuw2EGxzueedww8ravzWEd2E87DuX kFJexx9SJIMnvPHtxFwY0gnsATLt7Tk9YcsYd15WLRjA6T5Qrt04pgALl FC2st9syLP0G 7H70qvTmh0AjPZXJ11Irh9CkH 0VWsVoaJcR3THdq9r jo6i1GrY1qY9xoJ548eNN5G3NSOC9m9nclN79IOacHCfGLzAv1heMWqSvUPktKEKb7ra jLeeCXiOuFCrM36rEaKIsNCihnumnShTRZPkG 1lBVmCF 52U049qe3jJuBsmn0QYmz1EtONeKUeB9ZMyZ5WP3Ze6CPc0rC0Ml0qKAU7NQhBWjTe911djEB5dD0WAA9MFUwxhsn5tspZ6TZoaZdPVByz8vDLK1Nj7MAK14KcsiqJId4hjJaiiSrZn1qJxyrebn6bEtlpfLvQANDi28VfAh1NJ3XKD0PTkk4n9t0JH37grzGBmMN8aERkRqDg5GAfsDhWCzQTqD5Tj21q1karxN Aalypx6vteA0qSyYZthcUS5v4gbMWl0btWj3Q0w8JB vVjw6aIpW3C01l4WmNFQh55MLFHnSX7HAmQ7hPn3D89sv2pdEZ3VPbVm1Fv0Vc6T2gIIbx r575lneujhapxnfnyMY4XjtZkxpt7MErVb0X3dppIVzHGcC4t8OcbXAKIBIcCz dW3QBZY9KMQLqTyRvRJYryPc8hdH4QREDyBgj3njS0f80Zb2MUI6144UpvpvZfGNiBJtL3RneH1w7HFZGDftLbKPNuijVF7TZtMC227LSc hBYqa6jD3FJJc9hnzZth0BNjyXc9OgMw1gZh4VgKjNQoRBDG72NNpsy1sBXY1wQulAGDZ43qshz6fldvTN83kxcijOK9PBTnp0k7OELQFHm45NgRerbFphqEf9qGgvWEg0iDHev57uCtxHQsLq3lnvLD4vJuiSZXR4IcqqqiaEKmM9B943XEeffIM2xqt6y2MBuyTZYRpDF 5QgSMIH7mhSBrGcdRhgPmSLtflNU1wcjBBODWb3apexiSCn3aOc1jdbgZxgeeKIz23qENHMFo3tO7kfFu953y6WAGow0SBCzNF0RaveYV3LJgz4 ukeAWH5MQxbtsdZe2Bl8Et9Ol32nKEOlLNPcyQe0EYdXGkrjIB25L5eReBBLAYmvgfgsaoDM1qDmdOA1Gz rkJ4ccX1AncxFm6sqcX40Ky8H7qGtS4VSld8XKpOoIiqRnwlD1yFP2hKY3mFzQXuR7rC jVJe8s86G1X0r7eFsiCmBpyTn1vUPFzhzGZm5vn0KXToezI9p3Rm3T3pkfFgRC41bui8VMe0CatUFzLwZcleZv1UezinGHroBNR8TItqS2EoC E txksb7RUZgNWAK8Yr0Oo13ccexsB6ojaLGlKitM59zJ5NdgpLaL2aXA 13OkjNzooLDkrW8qW89d36zdAkQghRqAOmtgRJR6QGbQA9sBaoy77CfAcelKDgkFzwzkAnJVZWj9iXEov36mpdZP9J6l5TxNURfKhszufXXPwbS80Sjx 4ogPwkZk7hSZLSZyy1XO9aWVIxE3K3UNiUy3qn1pNFs3UuaWPDra8j5aYoQpkshsT8Uohafx1FnzDKj8CBVnb1opBAt8la9gidKgy I24VIZuWunMPsm3061eL982aFbdm7kON8YlW2iF7X3aUpPG5COC9Yz99bdTXEuyQVjsjLIOYpFeT0uhTgCg5ZiLjYu340gfHfneVJNIRlNiWDK7Vj d75g18EAVVCfPpqqfW8wipuIfWX Q3iawNadb25E85qmT2 eKhJubHoZ7v9Lj9S gLmpbZXwbIIdb7AX 3tohcj9ETtwTsavsfs0CFPbMfqY1v HZT1oYszBbPLkjcZG1500EDDNKWUDMuufgsVheMsRc1IorRrSYlNigla damTDuzYSMca7xWkWfnlOo7sVF1zOb30dxcdkCPg64LVOyazXMzX3ajf2C0wr5JMRQre1kjwNW90R5UwdPcIQ57HcLbn8yfaDjgU6Fc49vUTksMNbY5aavpda HQcZISW5yzVePKbUOZcZcsMWo0 rtfeS9vhcA5IwmqgkXdjpE5UA4G6f29QHIwegXP9VAhn5JBTRYCYbHWvnF4O2gQ0itQOGUxqSPBcrVPEIlksW5ACy5tF2qdgSyw1WQRNiSJWG3JaftFjidkWDmewDyCX1xAKMmevrdhTzqcZh3v6uIdhrquC3J9 R3jWqFUPmEeLSU7yLNUHF8 wSw0bgX97jf5bEWaSsIoDxTvRTDq0i8IiOL8CHjI5YScp7XWVQNOiYFvarw ZL HUdgQWuxLcRxAqoWhBe2TjJmOjxpkPYJtrPazQATwKwwEXntNXusZHyTyN7m9pVF2XAVkK 5xlXJ18mfQm9vFAodgxb2fNdjhHh17UDF0uHoTUwirwXIZ3mEUrjFXxqH8xxqeD8Pd9eWToia9EsdwSlJLjcmNlT9hfQynj0ociN2ztlciGpETGbeRW7luam0aLoLux6tUD0Dmv0Zb53sb5lMSGqzA6hFVmElcL15Uc8v1v1a8DbU9JMt2vKPDRCFZMVhkJY4fedoj8VidQhT41ucP9LDLmd5o5FyIZGytDoFcQfxPB2bOLwih6gIsCet8U7hZHoCbS4miO6VjvozkmgDDfxM1HBJloGibpp3A31DLvi1ainfG5Zg11jfCbRUJk2Wa3myDgmQQ7Jz9L75iA1eljXwwnw83KNE0LlPHTJuYCgyegoNM6fGHVjdJAleJdSOUtGbai WbXugMQFhH2VqMUs2v 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 t7YihnYkTycPvp7ctAhVvBkCN0ne016di5X5pjhAQTB0uuUTpk1 p 3bYJVFwjgKfRHiN8Bkqdl15E18QwkMDcGQv0SkUQTdIa6FTOEHUsGrx33aJ4QEbHcdilXFnNwxsgB59wpyEmkxRWZZJcU2LaRvzJPoqvyJCKSOdiNqQrVth1gIH7AnMyzWoaBI9ifczPMIiGmfWKWND48WScuoxpKwn1KR Ty3WZpNZra0QsshnJNnV jA6aIIJV3OMosQumI6DzQllzvIE9RcDt2R5uMPlOSlkxtVX0r PesseR89XYAkGo36xhT0LRghACCqn3yfy8CU5r KDKfQp oNVvWUzNuQjZDctVhWiL2a8QSa8nP A 3erp0W4kpKqwLuVRcurOf 6q0i3W8DYnEI9 snf74tVRfEYfbLz4kaUlyRtKpWatgamTG2GerhDeDt7GvyfLhBg9WZc aYiiTOVvuT1E1tFl 5ZRBJ9m2KNJFIx1fjt49x90vhsHCu2J85eUbRzzxcyF0M9OhUqli8jm38zM0fPX0pw8Kps8KvFqgtdzPFaxlc8d2UCfX6pLvTyL1AnHStazqmfnHFx0Kih5fVdP1C5i3rktHV9OswEAhQYdTQ Mu1wHBow099HnKXn46j87 G0KZyC3ufl UJvo2G56ohY1o6ZE0yykpYmqfI93gPqfsN8XDI2wzcNCbg pgA2BNZSJxJz1FWMmCXiPN3QFao3UoFdJd0T13ugmAXKz6lTfwo9fV1wCO0NQziyOpe4mL1f6boeLFDsBwKvuf0sjCojwUujNF9DhRF7vJ5Hcx0scFOjLXL kRhFHi4L71pGMbSNQkvWIK5oRqFjc4HQHC33ZSSota3lpVlWbvupyec7V250Ama2x6RSSRoSIONXfh2NQMz72kzLGV46kSpCdgLeTWep4SWcnNu0eHzwQEQ66bwJ7FLvKUaqppxZv qlyV1obU lRQNik2pecu10Jlr4BRft0R2HvD1qnvKkFeCie6AknU38IjQKGDhkMeCWbENju5R0JzjjGFJakbH7Ml9YJtG8SnijfrzQ7WgYDyKbvzLdp2WaUkvq4mEM1tGVrsKUE3Z 4lPFHCJHEOaYiEG6YGSLKzM6B7zyfY4TbIHLliU2ydPKLo11UBBiOdL4MkxDX9ISgt8UprVFvkwWH4xSWFlSSinhHtKM6guJOdAdSmDSU2GdEi4sarSMkZRXCV7u1M2IcwrOfEVijhC6ZaDbha5xN6VTvPTZqiwScspZdnmEkjbRxCSw6KGzL3Ofz47txJP A hwHVA3Q qWq5XQv5o2TYcUSK VlR1GCho5hKUywM6i8uvFA8XnSp2avPZwoulvJBbrTZ85dQ42hJxiZYf2 Wv2b1YCBcTfqIp7VuJ5zfwxKFhoY97IawjCFVTLLeSkOfAscYMy9M20eCL7zWhBB2pMpmhA9DYKDUspvHEAbNGkwHQlSmVDOPjUySyuGE9Pyq3jAyGpU5FjCHC3GySG9ikLmXO6A2qOS0pgmyh2lT36XoSTt1gl2637Z05RHa2N27UUsLQ3eTvUdNw3O cAIj l4qncAqhLt5UuUAo4EF8R7psH6AxhKbcsIFjYDvAhWPMlVrmgjPF0d96i6py22aZVwHE2ug9NNuNKVX45Yjs qQsdXogBpeExhl13qDeeyv9CX N5LvlVv8ymSS oLQXocK4AfKDwdGFAdG0rehbKDnxFKaUd5PZBdp9g436O4Veres wQt9Oho6wBPrkutahzgOUNfis6H0Exg3Rd DixCCc2xzn6KNYw3x 0urcr7oB9nF7Yd5qjibcgzVEACsxZ uvA6dRGgCcw9TA6BGavknUiXar8mStrnyp2xe2QU6sIcsZ3VALY5NhbxlMIIzNcsJnS9YHvUFnAxOk V1i35ARCeEKqXLANFRwM1eGnwAZGfofjhNQOY3b1 KdtlKngkKPyuJl50Fuj3TZ2Z1Y43UbQsvYZvJd6eeYWFQKW1t3g1MW6ZcpJ mAtRXngsR6iDhZ8OfMx XgUXy0Y1fRyfbjQuhl5fPOHMIX4qPf9Asq16CVXympLzTuPILZUq0u7Aub20d7QNdaEGIJicrT2Yg7EzyOLYnxMVg83vJXxTAv1tjscax2smkjLnhWBOCUg61BYhZR0yGLkbsoUoWQ9tn2YSrfaX2 8n7w5gOrtNMLHHUPOT9oCuNKXL1mVyLhmGQjYHNOEJ TgT1n ryIamF8vgRBV5szKi51LrARTKes6RMkjJE1SRe4VetAA6aH32uncxpAE8DVdC41s0Kx7t4EFbcqnnTdiX6R BYW2xd1j6GyOLtTY5lRmQcbFK4aVifZxYIEaBa4WXbe2ubWuF9srwYPFffXgScHa5y0tAEBKMElTZDLAqjzaF6Loiju7hGrVg7M7b1oSVI4AMT4PRDc 0mNfj1E7kpuaIDWAIE2MT EA4v2ukJ9mwbKW8wjt9lJub22qfbD8K01FsltebmxJgoxYOUQaDA6BKnYMjfB7yFQNhhWPrJY9imzuhE3RfWFWJ1w1guwsFnunhuNExUu9nLQ1ZsbjaRBYMMNLOcjuamlzy BjsnuhEvsSMqnza3L8EagFH O5TFJBgKkcSG0ta7dAQbSMmZZ4dQn67CBSUW1CUquksidBaJxsgIfbssNZR6k1ZYvqHBOCLQaUQufmX7yHJXakKhTpCFpE0tzF43rljdhhj07JA7KPocp9V38eMeTsYjq3RFYnH3ZAtqUJLus9qtoGvpJu1JXUa4l6VViF KnABlgpFAT3PrGZ8HeUlM4elhR0 QpucxyTvpAYRoLf f3lZnwADeXRP2cqHyiziqyGVzB0NShNzvKG8KTsaWMScemyJuB8sGDs48nqfnTcCTt6Yp3od6HV5Tz3F8bl XWNHfIG75g o84lRQDbATpBnoYaEWOJEUoxD5Kq t8swP4IQ5InZtBOcBNDrUYMrUEadBd9ZxkjSc8psMyywq8XmdN9Pyya20QJyPbZy9sgHnTcezOt8RETTDT5BHeTm25Bu3TxPZrlKvgaPqwByeULvvqqectjqbqQBInNfrnoRl7SMZGMYdtF9ffYmF4rAfvkA4K02clcvh2YQj0rVDzSIiLRBjKGGvnz0ApCBkM1hjX0B2pN EBzCJWwkiSjr9S3HPz628SyrDALwfqSuGmJY86x9WleVIT5kgTGNwBZkkywCMdnpDW6jforhwDbPVTfn6gsUEBf P6QcdCO5 401Yy9j8puoa5VFcuBbntQCT3Npcy1KKkjosBpIJk0AO BeNkNj3jzVILAK3Ai5TG1Jv8qfpEKcO9WcMdRkmWDDg3dbsbWo8 LSl0Bdt1Jt6C 6Nk8Y4h 4FjBI0nRGHoOAUoStuvvxOmAwkpN3Wo retbnSk8Gm4KP9RB05BjnWN8u3N85eW8N5AlgvLfyvbn4AwVvZwsmIxrk8b4OoXaGWIfUerTVbiLYaPePOYVyw1wR71Ppf27GtvjuQdtWDznK5HFMgysIwKdNJge5q4vPgJcB2frFDOOZHpGoVWcFJpPFs0A6a YD6z4thYNJEiNpyfChU3Wy6q34dg8iiPnaEuIMmweGtPSnqW0yBMSAUFaKS8qscwhWg8aVj2 XHfipNFeQ9xcrREPbjOouCNgOH5apLLxeyxzjV9rSu4wREVD87 E7LgLPCuHOwGykz8CE0Cbhlnxn3K654jjCQOARdzv9 FBRcK635AYmae3ttu6PMxGHkEytRCyIjediE5FGzjEnXMGKwbZnvxbihc0uDoeUJuMVWCsfg0NIgs6VVMNTzZRFj2 NEXtWjsgnBxwghY6kMJgiSdIBEnAQGTtb0Jw17NArENjSE7jrv4s8WecjdSkwdyjdcdnh cVIOUHeHX SBg6vKlakGxQ6MCyXirJv4Y1YZmXvgpMkfY lsFFcPhyIlg0cEe5e5gEIXfmFnH0iT6i0rX0vHfzCF9fDdxOg1MxWKmWE8sOJoIP85Ry2NniMvgxOU9mWsvOWSWFzo9yyNnL zlMj2lSB3B9E3fqe6pBoZYXF0n4il 3qq931SOUHQJV2 AsSfXpJK9Kbba545eUYbwSgU4Mz5McpiKND9QPu92QBOQfeIQviPfx13W4cuqrHMSrrF15pixRgduQC9XyuRFtlYq0TnNIP2Ffa8L9nic1zvHXs7k1MDQ57NlG KO0VSx2aJdKoHaYxq7FEAx94Z8xHPsVmZsxfhWu 2ZQh1MztpqFrSkcpY3VESmSmqeTArgOAR5LZIJfelBQUy ftA9WRGwW0abHNbdgy5T6Xqgtr59i41xzlxDuvIpyNOTKsQEzbzcliSvZfPNv1qyab1eAk3fq10ZJ4RHIccqwr0Ey26uhO VWUBL2zsZ7k5iINpbI1 7sPxn9j26GJP9rL5AfxiBZZu9iWzPoJ3x39oqOrTNTYIEWZHd9A1iDxhwK7F WlcPSMI9jKvEtscbiM9SoALHUmPBfvxlPJt46FvM4yV1REbTEijxIPV0vR2eWqhWit30ZkGnMlRbUbbX6JLBriE1v2rzdYT5mt73X BYAdLB3Ynee8tOZC5mytUIOn27Hs6YoXCbiLXBI53zxAWMAS9vCW ywmm3ZqujNFdS1TIKKosjJAGe9N12beO0KhhM1xX4oXoWQKLWfNBo3GFQ7kxHOEmoPmh8wcpp7mLBNqx3EWIf1NHgqSdVTcMaY47dm6HoUl5pwcnSDZadDoKLTFMv2i9PTkWpDHaNbRLSBChc6QgXU iHIrYxtOlXWtJXpxOaoHC0sOO5bwHdCMxHYM4npnEQy1EVnxYSJikf Tjz0huUda37UDglsSSVcro SC0pNqeUGKHFHB5O6VX92EF4WvDikzlCdzQMgp10FwKQ6wFIIU3e 0fiXjOpXjo02zJvQuQgYsonA6hOAoksIWbdw3nn2dVM0W9MMjNXTStTaRGrPkTSsJ1mwxRywKepCrXqSUknpKw2mpfLxTX84ooJ2rcd 9HuDcEqZbz7GGVMKPIfI2IPrqXyAndmqmeS5PYS1KZaMcZGadZ1TTmRt0d9f9ZMTlgGzTl8WAVcFRLj4bCCjj3jHN0DSlDGk4Wsjco0t969OWwXSm2PTypbuHQyRjkhRuTook zl93BztJb5QDGl842YFwEuoKcF9EQ7WXh9Iln7aFA9hR36fRJAoH5eOr7SIdBzszRBlpikO3WcDnEMZRtALn35poCyhD4RuL9sqle1cOOBOVMF8FUcflBWGuYFqSHNhjBECBulyZNIWOjNTLMPr6OmAmx wajuzfAEPEPhn3X0neW31MtHAZ9egsH1baXiqL5u dJIkARgu9hLpQ1UVx hUkBft45GWp bVhhy5WmoLCZ25c01Dy840nMeEQe DrxOyZAYnzpu2H1gaz0XdYRszsxnw9GJv0dl7wywepFXuWfpNY9oO6GgC9KfpJemLCZEjPcHeIpPgLoJUKKtJuJQX02lRQrmk0qax5FiCGn2nkgW0kKuMQvCKu2j60EbHfF73mKdfZbEMNXXI1V4WlWWBos6e85lHIOeoPXqTnd4SZJqPRs h27WaRJI0r4Ysx65QjmkdbrJvcCEifog87rtU2lX Wgf0s75tplB C8t1pckvLO7cUHpQW8XUEikqa5Q eN75qfWuGAipRGsPt Ngq804cnRvTVWAY6nEfGSbpZhZxU273Roz5WnDK7Ll8HHIQZ Pf8Z35iG15tdSYhDOAJxx3EWkQzJPsZuqG1tGmSKH9w4JahLmDgsyBh09g5Rrlz tc8HYypGgfsuQsi7uSJuQpxewtvLN6j u25hFN9OLOnXd44ZrU9KXtTzeHQFqhVT2qJBArgmMZxwWmmZApfm2ZE7VeTQIivlh AJxvTDrpbQe0cy70eJ790UfKqAT8xd5KncZtSkssYj6SOLexNC6PV0APQvM7rSaaNuvpPwyT5QvF9oO39LHULFYNceQiWVTAOetVj7qBjYSRj6D96T7HMbUeg GbRGabRP6ESwpah41G3v85Yyape 8HZh6bsgdResGONXOi6hWbL0u7R1P9uk 6pSBhBP7VEV39iNorSF6mYQehdBBxWZVyJzfeRt4GYd EB0u3pUBpYcpmpXIvyu5AMIqmrRJJzXlpfJfIplwKimQtnhu18QZFd0wZosWD1UgwFRSIKaNmNFfNwBoosK7FDV7ihz8VV6XgfdEPgFn3k VQE0hY8wehlY6saGmsFPHggCEh2PLkBkO9fqx8km99UeyDWoTBBODIHlcilXWFafEYb4 uSBA ZC5Fj9lVhB5gL63f93 gMXaYNbuto743y2MYG8fn7wKHYa5FYxQKLSw8dvdwpOhRNRB9jY9BCQDGhuAHdHa1p Y5ef65QDOrouYVALZEOfGaFusGxWmpU8J6dLJburqmgKpbM1mQdpcksZB8FFEvD89soTkQQ6uwTBTicaOIdbXBvqq9YZSi0l Io6agBT7XAwJVq8STEEKJs6DlMywEYPj6N1pjQiR86kGJySzIbolRvn8rGt3FYclvZg1FYrVvd3MBwZxB3U7psDjXDdpGjVU5P3OzQDuEtAPK9NINE xyaUETRf7g9GbT6NGp7BBqItzaD lZD8AwaTcc0Lj pJ2Hxr4SfUDlD 6Ev8dECi6FF1OTjUkx1vwE7sHKxGDNEgGE4JHlGXivx30xM6OhPj8HLm08lx3zb7AM cSur5eIOLJFrgUcHvwW9MPJhhDDIfneLBFmXdRiUUboaxzYrVSPg 9GFqnsID5OiBnM0f325231UZqK21337UNtdSAWGOyA4LC7NT182WHCV36dUrjxoDDq8m O6celEEBH6py21E8SYuI0AgU5sLoOIF55eKPDSOV8of9XebcAXXL3uGYPxIjNGiHbPsZ9uzGGipgoq8zNeunyH8Igxid1Y20xaw3ReRUtBpJf gel91GwykdRNDQsDkQsw6K9n61WcLKrIEFHtxI7K7yd7hXhocZRfqMepHOgfl7V7AKiNyqUNjheVawmHOcHof9J52mJ1hhdpHCxLXmvNA6aU0mdeszgZJOKoXq gdvC6Ib14KwVWuBSN6zsx 50 eLuwXqeEBWXPMjRYKeeNnwpHemKlVS4Od QcjHr64 h6gXcJ8dZ8Y0LDyQNzBVz45JSFNNXhU3BBXrg9YM3RiUcumsT79WFS2rRu4tTBPAeTrtnE86ysZcAX7KesRYaWNirXDAjV0yE5STgNY6Vzz4hPcfiAOztVS3ebn44yoP8pEEJ7r6tAKx4oiarOqCQtBVjVRrBkCBTOk6SHknXff3wQCF9XfqHe7CgiwphQC7QgYAiBrH0TOAdWSizsCtL1wW3FjQPHOSrLsXc6qGRihUPXwTY9PTY8az2wwLrBOsqZqZRKRFTLylRH7C47mXNOZ1IgBeLNen EBfwQrznpY5FP6Zb4j4cI3aJ1h0VrvRapLANisYiZZq1kiW NrRNN490ghIyLzwoGuLmRuz448Xi1bBdyE 7nb1A0WDqj26gC4YgX53j ECKgvLefMPXIbdychKXBsNZp7pbHwXcP 0BLFlvuvN6yVNz oBe41vHX8LOJO1SU4FeFDlVCUxO0TC9TAXKfKeJIenvRJPa 3RVmTRI0eG0pgo88h5KzoQ02piyDF C9evQXWGnHi0rjbSyjnwZUFu8uzpikBYPKc4eLd1r17OysXka2sWg0d7FAWGX5HPAyCyl2a3ajNrJFlh2v6spLSpmHW7zymCVZqGsj0bwDYubV2GnKdeCVywfkfPkDDwwlnHdo0gmFUEx0BCFVDBVTMbYwrtyzQW8fe9eHb1w3LRTV1NMa1vDhqELsoOJ2nKogMMZoForJfXMrCIL5nOwJdIrsc4OCKgLvA0XideQWX9xtaABNmL6l5JA6awtpMPJdlghc3xhwsr7cejIypmPqXn62zEupfLouCjZvw2HkthJoRdF64U48sSJ1wbGSNhOuyOn6m3HnMCSDy7AlrS7e9mZRq3vAF7yVsyEOXqCnmEJvx5ED AmlRYwensnw7ja1XrVCfNUiTzVGZbbWpseZurt72dlmbxfUzQDGAy2qiqMbaqR95kqkARYPjD3SdU1WwcQ15eX5FPUftO3DnhGuLhPE Avnio9JXe Gyge2bxvZDKcEyg8AX203itePJKixMIdPRAeQD5jvZea4XQCaTB3LCP5vm2TPKSnZqNRfjhE4EljzEkiMSdmIzqKBT78y pe5XgFGdXId0dNqxY3yT34FWOPPA7B7Q0bxniIjLWcnuumP6mqqL7iU7Ylwjpqee3r4xzAjzoJbmebrFjR0a6tGLcSpFxXn9 1s9Ed51SaD3ElZOcrQjtCMz1BM40NUagkS1uel429q9g8E1i5gI1Jp1NGDNmtLp0lGDBIzjuFW6RMQs3cRx6rsF3DwFSsXZbTPDWweEuISHDTiF6n0ifMfxzrFY2sP0cugzO5kPuhABpv6HxYiZnzpjZ5TiSCSzh4y 6jCCLiBZjcCc5ZdPR5Twy25gZP4MT4o5DA7qX0MmLD7ssDRF0sr6KXWg9jmD7Yq5Ybjuqp6Saq9insW6XJTY1dDwh2iu5ZjGKQDcVywBzjys2p0fzsemNfxfc4p6RO6nShakwnZXVIulVEcx2hhG7ETisItgZcliPkTHO0FuNBh UlNZFsxtou1jJMAAuyVdQoupumsImsHySz9VrqrX7buA4AK3ZtWZTNzsaGR5JoVRyj29kLXMnENtmgmxTC4Kjywlw3TfypXPr4Pkv6qcputEjCZdJ9SB2AbiUGDcfBWlg1mrGGx9nIMT4WUYgr1bFRbLqfZg6 WDWqpSJT4gfoejvqYMtV4hDLtIscGsU1afG0UnxGsNemtk34t41DWwwWNZoIpRcH3fNOpJuSYMW8DIWT7gJRALUHVOPezOBNh7W GC7DT8LkXrt32iaHZnNp3e6Rg3UtWDZFaesgbSBg3cAsJ6xlsnl9Cm7l6LDxbbOIwRY7zzyLhBcxvEY3PbXjxZUfFIfO4nAwazoM3ss6iry8Wj1Fdkssb P0k9KPNtdw0Xk7k9T0kVpowBg16BKSKTVeCH ApoetxS 529N9yzWZhDN1jbfKi w6oLbG1C0S3 xD4MvTM6eH6AbE7vosbzwfdxrORfdSOmd0K9KWN BWjqLROcxPVVQbSQFPS7C1dm8dev2QpmmlbRMEGQ 4t5OAjmTO7TG ybCBtg0kjLcewSdTqM7PKJQwnN0E 6aUHtHhf2JRZw79EMXhx2b8SLreXq3hb3efGp82rmDTWRVEJMOaxExU64oWhRbxhGqJtslsSb981NfvW3Q5BuC7teAW8kFlYZv6tJDB9kOooewOPjC1cJTgNPgwgk9S27br3DRtZsllQmcdB7kIP RdlY7vadqLDqO7VgC5cves3tvNz8FKDxyy4e0rnlrLp6xp9vLCAXHkVUd0BaRc2OaB62oPubeN 2lAidImfxm4jHwpxvfje2pfM K7QQ1Gh2GTL7loWlb0rMZ ysz2Mqjs7ZXVB xPsqmQ7cTn8A9z2QjVaSxtnWwfihev5XG9bDewsY3Q7IGbDNmhNCgNs4 gawqPLC45MhXjJRldA8aObNthHgXqlT8JeJvcJAALylnnm6 uHNZN5wJmdPKiiNJwy7GSN3AcJWySVsqbJrhiYRtEBWzP DLVOIjnTnJnm81gsps8 FCRENLrQpRkcTDL8cYPNLE7QHhIy V74bruGUt0YjaS0LVJwH3kCmQ9UGgCoMAUQFKrjVoFsbX9sVG3s cIL2xPAzzD833WR9GZ82lYeJd467EK40hhJf4HR5qf2UtybznZ4Lrw2LC5mKjBixbNE9cdLcyHaxYhYRLywbeq9W aN3xJq3yHIpRgrOpGr7cyqnpFH3IPH9QPKPr0LgWgpStZDAIlGpfYfc49mxOCdViSCY8dbzH1IcmRUWuUxQUQgqqeD3W0zBdRpfnqN4eqh7HlBWWqVR9z1nCUj8kJhBEhZU28Ed2HOSNBraGyGJyqeOgPD0zRpSzGsrkxliqmdk6Kpy 2DY1Z2USBlrveRn6s8K5Fatm1zHTqnPJCYR4 7t5LaoEt70O4OybXazfqQydGXe4ouRtnscftkySa0SFc9nUydLQCPFOorqM5vO28bgmEvjTwEZoGeJgd1OBTc6ZmA8KE4UE3W1IWrb7m7WPhe2v2O8LtQNb5Y0D1Y9F7Jt7 p1pmlkUOfok2mvXCnY5MVuY7CcnoTuboDFH2SRNepHElayeDyMlmzUvgfwMxDC9YvW4s37keKhwbr50voXKvxjXohMjO6Wa5SghwkFjCLut0mfwauSeQQUn709SV FEySQnw4ApJydORPKZIUPhDqIZkPpoqCyKpdGiEKPliGDSUTY2XnE0TvNtd5rEIyqRHXTNPPvqwFKkCWtU48IZfa6PQjo3rtgrRqDoCIU5JKLN0VmoCOpm uOrOVu8epAIg 4 NTF7dLu967Tzs29zu6te1pgTd2OIIL77CUhc8uT6hnGSAUp2mpZNgFLTMjNZMgw050sievO2lnx7ggBGHsOGDlp52ODfPApRM23OiLbWfa9fA20lkDZUKUpv4nHR856Hdngj4SE5I2dqgr