考察在无线索、内源性线索与外源性线索时不同符号数字在注意与非注意条件下的空间-数字的反应编码联合效应(Spatial Numerical Association of Response Codes,简称SNARC效应)。采用1到9的中文与阿拉伯数字为材料,以判断数字奇偶为任...考察在无线索、内源性线索与外源性线索时不同符号数字在注意与非注意条件下的空间-数字的反应编码联合效应(Spatial Numerical Association of Response Codes,简称SNARC效应)。采用1到9的中文与阿拉伯数字为材料,以判断数字奇偶为任务。实验结果表明:(1)无线索时注意条件下阿拉伯和中文数字都出现了SNARC效应,而非注意条件下则都没有出现,并且受影响的主要是较大的数字(8、9);(2)外源性线索和内源性线索时,我们得到一个逐渐递减的SNARC效应,受影响的也主要是较大的数字(8、9)。在内源性线索的注意条件阿拉伯和中文数都有SNARC效应,而在非注意条件只有阿拉伯数字有SNARC效应;在外源性线索的注意条件只有阿拉伯数字有SNARC效应,而在非注意条件阿拉伯和中文都没有SNARC效应,说明外源性注意的影响比内源性注意更大,中文数字所受的影响比阿拉伯数字更大。展开更多
历史一面连续发展,一面出现转变(History continues and changes)。注意连续的学人,有些探究其稳定或不变的因素,提出“长时段(Longue duree)”、“超稳定结构”,甚至“停滞论”等主张。注意转变的学人,有些追寻变化的规律和...历史一面连续发展,一面出现转变(History continues and changes)。注意连续的学人,有些探究其稳定或不变的因素,提出“长时段(Longue duree)”、“超稳定结构”,甚至“停滞论”等主张。注意转变的学人,有些追寻变化的规律和意义,提出“正-反-合”的辩证理论和横跨数个断代的各种历史分期(periodization)。展开更多
在生物医学文本挖掘领域,化学药物命名实体识别具有重要意义.目前的主流方法是基于条件随机场(conditional random fields,CRF)的方法,但是该方法需要大量的人工特征,并且存在实体标签的全文非一致性问题.针对此问题,提出一种基于注意(A...在生物医学文本挖掘领域,化学药物命名实体识别具有重要意义.目前的主流方法是基于条件随机场(conditional random fields,CRF)的方法,但是该方法需要大量的人工特征,并且存在实体标签的全文非一致性问题.针对此问题,提出一种基于注意(Attention)机制的深度学习方法.该方法首先从海量生物文本中学习词向量,然后利用双向长短期记忆网络(BiLSTM)学习字符向量,随后将词向量和字符向量再经过另一个BiLSTM以获得词的上下文表示,然后再利用Attention机制获得词在全文范围下的上下文表示,最后利用CRF层得到整篇文章的标签序列.实验结果表明:相比之前的研究方法,提高了在同一篇文章中实体识别的一致性,并在BioCreative IV评测中的CHEMDNER数据集上取得了更好的结果(F值为90.77%).展开更多
文摘考察在无线索、内源性线索与外源性线索时不同符号数字在注意与非注意条件下的空间-数字的反应编码联合效应(Spatial Numerical Association of Response Codes,简称SNARC效应)。采用1到9的中文与阿拉伯数字为材料,以判断数字奇偶为任务。实验结果表明:(1)无线索时注意条件下阿拉伯和中文数字都出现了SNARC效应,而非注意条件下则都没有出现,并且受影响的主要是较大的数字(8、9);(2)外源性线索和内源性线索时,我们得到一个逐渐递减的SNARC效应,受影响的也主要是较大的数字(8、9)。在内源性线索的注意条件阿拉伯和中文数都有SNARC效应,而在非注意条件只有阿拉伯数字有SNARC效应;在外源性线索的注意条件只有阿拉伯数字有SNARC效应,而在非注意条件阿拉伯和中文都没有SNARC效应,说明外源性注意的影响比内源性注意更大,中文数字所受的影响比阿拉伯数字更大。
文摘历史一面连续发展,一面出现转变(History continues and changes)。注意连续的学人,有些探究其稳定或不变的因素,提出“长时段(Longue duree)”、“超稳定结构”,甚至“停滞论”等主张。注意转变的学人,有些追寻变化的规律和意义,提出“正-反-合”的辩证理论和横跨数个断代的各种历史分期(periodization)。
文摘在生物医学文本挖掘领域,化学药物命名实体识别具有重要意义.目前的主流方法是基于条件随机场(conditional random fields,CRF)的方法,但是该方法需要大量的人工特征,并且存在实体标签的全文非一致性问题.针对此问题,提出一种基于注意(Attention)机制的深度学习方法.该方法首先从海量生物文本中学习词向量,然后利用双向长短期记忆网络(BiLSTM)学习字符向量,随后将词向量和字符向量再经过另一个BiLSTM以获得词的上下文表示,然后再利用Attention机制获得词在全文范围下的上下文表示,最后利用CRF层得到整篇文章的标签序列.实验结果表明:相比之前的研究方法,提高了在同一篇文章中实体识别的一致性,并在BioCreative IV评测中的CHEMDNER数据集上取得了更好的结果(F值为90.77%).