元素周期表研究进展

文章综述了元素周期表研究进展，讨论了元素周期表的历史发展，元素周期表的结构和政计思路，元素在周期表中的位置和化合物的性质。     

抑郁症患者的维医证候学特征及其临床流行病学调查

 为探讨新疆抑郁症患者的维医证候特征及其临床流行病学特征,对新疆医科大学第一附属医院近两年的住院抑郁症患者进行了维医证候特征分析。选取一般资料、临床特征、汉密顿抑郁量表(HAMD)评分等数据,进行统计分析。研究结果表明,201例抑郁症患者中女性抑郁症患者所占的比例远大于男性抑郁症患者。患者中40-52岁之间的患者比例较高(27.36%)。抑郁症患者在不同异常体液中的构成比不同,其构成比大小顺序为:异常黑胆质型抑郁症>异常胆液质型抑郁症>异常黏液质型抑郁症>异常血液质型抑郁症。各异常体液型抑郁症患者HAMD抑郁量之间无明显统计学差异(P>0.05)。由此得出,异常黑胆质证是抑郁症的维医主要证型。     

平衡损失函数下具有两水平共同效应的信度模型

在保险实务中,组合风险间与个体风险间分别具有一定的相依性,考虑保费的目标估计,采用正交投影的方法,在平衡损失函数下得到了未来保费的非齐次与齐次信度估计,进而给出了结构参数的无偏估计.结果表明,得到的信度估计具有经典信度模型的加权形式.     

基于关联挖掘的课程相关性模式研究

基于关联规则挖掘理论,采用经典Apriori算法,通过对某高校历届学生专业修读课程及考试成绩数据与规律、规则等的学习,发现了数据中隐藏的课程相关规则或模式.针对所产生的大量模式和规则进行兴趣度分析,提取出符合高校教学管理与改革需要的、更有效的课程相关规则,对指导当今高校学分制体系下学生选课、排课及学生个性化学业修读计划制订与实施等具有积极意义.     

对几种SPH方法的对比研究

用光滑粒子流体动力学(Smoothed Particle Hydrodynamics,简称SPH)方法对函数及其一阶和二阶空间导数核近似进行了详细研究.讨论了几种SPH方法的计算思路,给出了一维、二维和三维情况下分别用CSPH(Corrective SPH)、MSPH(Modified SPH)、SSPH(symmetric SPH)方法,对函数及其一阶和二阶空间导数进行核近似的计算方法,通过一维和二维数值算例,对四种不同的SPH方法进行了比较和误差分析,结果表明MSPH和SSPH方法极大地提高了边界处的精度而且SSPH方法的误差最小.     

企业安全意识管理的探析

本研究在安全意识和人的不安全行为理论的基础上，明确指出企业管理者在企业安全管理中的重要地位，从安全氛围的营造、本质安全、培训管理、制度建设、监督管理和持续改进6个方面对安全意识的提升进行了论述，最后针对管理者安全意识的培养提出了“望、闻、问、切”的理念。     

学龄前儿童利他行为的发展:从共情关怀到维护公平规范驱动

选取240名3～6岁儿童,通过2个实验考察共情关怀对学龄前儿童利他行为的影响.实验一采用独裁者博弈任务,当儿童作为资源的分配者时,指向响应者的共情关怀如何影响儿童的利他分配行为?实验二采用最后通牒博弈任务,儿童作为响应者,当共情关怀指向的对象做出了不公平分配,儿童是否会进行利他惩罚以维护公平规范?结果发现,共情关怀能促进学龄前儿童的利他分配行为,但对于利他惩罚的影响表现出年龄差异.具体来说,无论在控制条件还是共情关怀条件,相比于更大年龄的儿童, 3～4岁小班儿童较少做出利他惩罚,表明3～4岁儿童的行为仍以自利倾向为主导,较少遵守和维护公平规范原则; 4～5岁中班儿童的利他行为以共情关怀为主导,当不公平的违规者同时也是共情关怀指向的对象时,他们更有可能出于对不公平违规者的同情,而不进行惩罚; 5～6岁大班儿童的利他行为以公平规范为主导,利他惩罚行为不受共情关怀的影响.这些结果说明,学龄前儿童的利他行为经历了从共情关怀驱动到维护公平规范驱动的转变,并且4～5岁可能是这种转变的过渡阶段.     

融合BERT词嵌入和BiLSTM的微博谣言持续检测模型

针对微博谣言带标签数据不足，且当下的谣言检测模型无法持续学习应对不断变化的微博网络语言等问题，本文提出BERT-BiLSTM-LML微博谣言持续检测模型.首先，使用BERT(Bidirectional Encoder Representations from Transformers)预训练模型提取两个任务输入文本数据的词向量；其次，使用双向长短时记忆(Bi-directional Long Short-Term Memory, BiLSTM)网络充分提取文本的上下文特征；最后，基于BiLSTM深层特征使用终身监督学习算法ELLA(Efficient Lifelong Learning Algorithm)对两个任务的特征数据进行建模，以实现对微博谣言的持续检测.实验结果表明：BERT词向量有效优化了模型性能，比基于Word2vec词向量的Word2vec-BiLSTM-LML模型在准确率和F1值都提升了5.5%.相较于独立学习，在持续学习争议检测任务后，模型的谣言检测准确率提升了1.7%,F1值提升了1.8%.同时，在持续学习过程中，随着知识的积累，谣言检测准确率持续提升.最终在公开...