正念干预改善抑郁个体执行功能及其神经机制

抑郁症为危害大众身心健康的主要心理疾病.抑郁个体存在执行功能缺陷,而正念干预能有效改善抑郁个体的执行功能,缓解抑郁症状.根据抑郁认知理论、抑郁易感双重加工理论,本文认为抑郁个体的执行功能子成分工作记忆、认知灵活性、反应抑制能力存在缺陷,且保持与抑郁心境一致的认知加工偏差,导致增加负性自动化思维,削弱反思性加工;根据积极情绪构建扩展理论、正念的意义构建理论和监控接纳理论,认为正念干预能有效改善抑郁个体执行功能,减少执行功能缺陷导致的消极认知偏向.前额叶皮层、前扣带皮层、杏仁核、默认模式网络和额叶边缘系统的内在功能连接是正念干预抑郁个体执行功能缺陷的重要神经机制,影响抑郁个体对消极刺激的反应抑制、注意偏向和负性自动化思维.未来的研究应该着眼于深入探讨不同程度、不同类型的抑郁个体执行功能缺陷的差异性,阐明正念干预抑郁个体执行功能的内在机制,通过正念干预结合认知训练(例如工作记忆训练、记忆疗法或者认知控制训练)治疗抑郁.     

定向广告中消费者隐私态度对行为意愿的影响机制

基于消费者隐私视角，检验消费者隐私态度、定向广告认知和行为意愿之间的关系。通过对258份消费者随机抽样数据进行实证研究，分析个体特征变量在隐私态度，隐私控制度、隐私敏感度上的差异，并通过结构方程路径分析验证假设。研究结果表明：消费者隐私态度直接显著正向影响其定向广告认知水平和行为意愿；消费者定向广告认知水平直接显著负向影响其行为意愿；定向广告认知在消费者隐私态度和行为意愿之间存在显著的部分中介作用。因此，企业应重视消费者隐私关注，在投放过程中关注用户感知以优化定向广告。从而实现定向广告精准投放与消费者个人隐私关注的平衡。     

多维度深海鱼类识别算法

针对深海光线分布不均匀导致鱼类识别检测困难的问题,提出了符合视觉认知的多维度深海鱼类识别算法.该方法从时间维度优化传统的高斯混合模型(GMM)初步确定变化区域,从空间维度构建目标特征,完整提取运动目标,从时空关联维度建立深度学习的鱼类识别框架,试验结果表明:本算法可在多种复杂条件下准确提取运动目标,面积交迭度(AOM)达到80％以上,优于当前主流算法.     

词与短语的模糊界限分析

词与短语的模糊界限表现为两种现象:某一语言形式不是典型的词或短语,出现了“中间地带”;在发展过程中,语言形式在词与短语间变化,转化期间的跨越界限是模糊的。从结构讲,词(主要是复合词)和短语的概念结构有共同之处,都有核心成分与边缘成分,但也有不同之处。可从概念的三个主要功能入手,分析词和短语在归类、推理和叠加方面的不同表现,来确定某一语言成分的属性。     

随机和认知混合不确定系统的全局灵敏度分析方法

为计算具有随机不确定性和认知不确定性的混合不确定系统灵敏度,提出一种基于证据理论和条件概率理论的全局灵敏度分析方法.用证据理论对认知不确定性变量进行表征,并提出两种基于证据理论的随机采样方法,包括一次随机抽样法和二次随机抽样法.运用条件概率理论,提出存在认知不确定性条件下混合不确定系统的Sobol'全局灵敏度指标,经过理论推导给出一阶灵敏度及总灵敏度的计算公式,并设置单循环的拟蒙特卡罗方法实现灵敏度的近似数值计算.开发了灵敏度分析程序,并给出了典型应用实例.实例表明,新方法的分析结果正确,计算工作量可控.     

强德性知识论的认知难题及其解决路径

作为人类认知最为非凡的成就,知识与认知有着内在的关联,对知识的描绘离不开认知的术语。当代德性知识论就主张,知识是认知能力的产物,赋予一个主体知识需要赋予他相关的认知能力。然而,延展认知论题对认知能力之外的环境因素的强调,使得当代德性知识论特别是强德性知识论出现了认知难题。针对这一难题,国外学者指出了两条可能的解决路径:一是从强德性知识论转向弱德性知识论;二是从个体有机体的认知能动性走向分布的认知能动性。但是依托于这两条路径能否成功解决认知难题仍存在争论,问题的关键仍有赖于我们对能力及认知本质的理解。     

中国英语学习者的英语词素加工和汉语偏旁加工关联研究

以中国学习者为研究对象,对比英汉词素加工和偏旁加工,探究二语学习者的英汉复杂形态词的加工状况.本文通过三个实验来分别研究英语语义相关的词素、汉字语义相关的偏旁和语义相关的英汉词汇在词汇加工中的作用和异同.实验一研究结果显示,英语语义相关的英语词素在二语者英语词汇加工处理的过程中起着很重要的促进作用.实验二表明,语义相关的汉语偏旁对汉字的加工虽然没有取得具有统计意义的显著水平,但是也有一定的促进加工作用.在实验三中,语义相关的汉语偏旁对相关的英语词汇的启动效应也没达到统计意义;同时,语义相关的英语单词对相关的汉字的启动效应也很微小.然而无一例外的是语义促进效应虽然微弱,但都普遍存在.     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.