网络环境下的自然语言检索

网络信息的多样性、分布式与高冗余度对网络环境下的信息检索提出挑战。随着现代 生活节奏的加快，人们也不愿意浪费时间去学习或适应网上各种工具的复杂规则。自然语言检索显 示出其在网络环境下的优势。现从自然语言检索的核心——自然语言处理技术入手，描述自然语言 检索系统的组成及其在网络环境下的发展现状与未来趋势。     

基于中医药学语言系统的知识问答系统的设计与构建

问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题，便于普通用户获取更加精准的中医药知识。基于中医药学语言系统，采用构建知识图谱的方法对用户用自然语言提出的问题进行解析。利用信息搜索功能找出相似度高的病案并为用户提供辅助诊疗建议，可以更好地帮助用户在互联网上获取所需的中医药知识、获得更便捷更准确的网络诊疗体验。     

完善情报检索语言适应网络环境检索

传统的检索语言已不适应网络化信息检索。采用规范化检索语言与自然语言结合，逐渐由人工前台控制模式转向检索系统后控制的模式是当前研究的热点问题。编制医药学自然语言接口用对应表是目前医药学图书情报系统解决这一问题较为实际而又相对简单的办法。     

医学语言处理技术及应用

长期以来。病历都是以一种叙述性的自然语言方式来记录。医学文献中大量的生物医学知识也是以自然语言形式存在。这些叙述性文本信息的自动利用需要自然语言处理技术,因而医学语言处理就成为医学临床实践和转化医学最为核心的信息技术挑战。它对于我国医疗信息化具有重要意义。     

论自然语言检索及其发展趋势

本文阐述了自然语言和受控语言在实际检索中的优缺点。以及自然语言检索发展,提出了受控语言将成为自然语言强有力的后控制手段。无论自然语言检索如何发展,对自然语言的控制永远不会取消。     

语言环境与英语教学的思考

一、语言环境与语言学习语言环境指的是本来客观存在的或者是专门为语言学习者提供和创造的一种特定的有利于语言学习者提高自身的语言素质的相对环境;而语言素质是指以语言文字为载体的,人的认知、情感和操作等几种因素在学习、交际、创造与自身发展中的综合体现。那么培养人的语言素质的最佳切入点在哪里呢?根据婴幼儿医学研究资料表明,人的受精卵在母体内发育到五、六个月左右,胎儿的听觉系统就能对自身周围的声音做出反映,特别是父母亲的讲话声。其实,人的语言学习从尚未出生就已开始对其周围环境的语言进行摹仿。因此,人们学习自己母语总是轻而易举的。语言摹仿的最初基本特征就是复述语言,这在小孩学说话的过程中表现最为突出;他们总是不厌其烦地复述大人的语言,从呀呀学舌开始,最后在不断地实践和潜移默化之下,逐步学会掌握语言。所以对我们来说,父母的声音就是第一个非常重要的语言环境,在这个环境里面,我们聆听到了人生中最亲切的声音,也是最重要的声音。语言环境对语言学习的重要性不容忽视,一个语言学习者运用语言的能力是在一定的语言学习环境里面各种可见或是不可见的因素综合作用的结果。一个好的语言环境能够激发每一个人的语言学习兴趣,为语言学习提供原动力,从而语...     

护患沟通在临床护理工作中的运用

非语言沟通 非语言沟通是指不以自然语言（如汉语、英语）为载体进行信息传递,而是以一个人的表情、手势、眼神、穿着、摆设及与他人的空间距离为载体进行的信息传递。在使用非语言沟通时需注意以下几点．     

规范科技语言 提高期刊质量

为探讨做好科技语言规范化工作，不断提高科技期刊质量，经对部分医学期刊研究发现吵少科技文章存在着字符，词汇和语法等科技语言不规范现象。体会是，加强汉族语法规则自修学习，提高对科技语言分类和语法特性的认识，自觉执行国家和国际的有关规范化标准，将自然语言符号和人工语言符号巧妙地结合起来，表达出句子间明显的逻辑－语法关系，使文章的主要鲜明，突出，让科技期刊准确，迅速地传递科技信息，交流科技思想，是科技编辑     

与ICU患者交流的体会

针对ICU患者所处的特殊环境,提出了改善病区环境,加强ICU护理人员与患者的语言和非语言交流,使用交流的技巧,设身处地为患者着想,尊重理解患者,是促进患者早日康复的重要环节。     

文化差异与外语教学

学习语言不是一个孤立的学习过程。任何一种语言都是生活在一定区域中的人们,在一定的语言环境下,通过口语或书面语形式相互交际而使用的。同时,一种特定的语言总是和使用这种语言的民族或国家以及其历史、文化、社会背景等因素息息相关的。     

2008-2012年自然语言检索研究

在调研2008-2012年自然语言检索研究与应用的基础上,对当前自然语言检索研究进行了综述,旨在克服传统网络检索技术的局限性,为知识检索提供支持。     

电子病历自然语言处理测评发展

分析自然语言处理在医学领域应用存在障碍的原因,提出电子病历自然语言处理测评的方法,介绍历年来有关电子病历自然语言处理测评内容及其发展情况,包括文本检索会议、医学自然语言处理测评、SHARe/CLEF测评、I2B2测评等。     

支持自然语言智能答疑系统的设计与实现

通过分析国内现有智能答疑系统存在的问题,提出了一个智能答疑系统的模型,并给出系统中的关键实现技术,同时指出支持自然语言提问的智能答疑系统是网络教育的发展方向。     

针刺治疗缺血性中风急性期语言障碍疗效分析

目的:通过文献检索综合整理,并经多年针刺临床实践所得出的一组处方,采取一定的手法,并配合语言康复训练,观察针刺治疗缺血性中风语言障碍的临床疗效,旨在找出一种治疗缺血性中风语言障碍的行之有效的穴位及针刺方法。方法:临床随机分为治疗组34例,对照组两组共62例。治疗组采用针刺语言康复治疗,对照组为单纯头针组和常规药物治疗语言康复治疗组。结果:治疗组临床治愈率为50%,有效率为82.3%;对照组中,单纯头针组临床治愈率为6.2%,有效率73.9%;常规治疗语言康复组临床治愈率3.1%,有效率为54.8%。结论:针刺治疗及语言康复训练相互配合可能是治疗缺血性中风语言障碍的最佳方法。     

基于中医药学语言系统的文献检索服务平台

整体设计开发以中医药学语言系统为基础的中医药文献检索服务平台,介绍平台的功能,包括系统管理、中医药学语言系统、文献检索服务以及互联网资源检索服务,并提出完善建议。     

跨语言信息检索技术探析

介绍了跨语言信息检索产生的背景和概念,阐述其类型、系统模型和几种主要的跨语言信息检索方法,并对影响跨语言信息检索效果的因素提出了一些解决的方法。     

中医古籍语言系统中的语义类型分析研究

中医古籍语言系统是以中医药学语言系统（TCMLS）为依托建立的,旨在初步建立中医古籍的语义网络,从而实现与中医药学语言系统（TCMLS）的兼容检索与查询。使用文献计量学及文献分析方法,对语言系统的一个重要类目一语义类型进行简要分析和论述,为中医古籍语言系统的构建奠定基础。     

浅论因特网的利用障碍

根据4年来读者在本馆利用因特网获取医学信息的情况，发现了在利用过程中存在着信息素质障碍、自然语言障碍、检索语言障碍和信息技术障碍。通过对这些障碍及其产生原因的分析，找出了克服障碍的对策，以提高医务工作者利用因特网获取医学文献的能力。     

医学模糊用语的伦理分析

医学语言是语言的一种职业变体，作为一个特殊领域的语言，他既有语言的共性，又有鲜明的个性特点。医学模糊用语不仅在医疗过程中大量存在和使用，而且在某种程度上反映出医学的本质特点。从伦理学的角度分析医学模糊语言的产生和特点，有利于医护工作者更加准确的使用医学模糊语言，提高语言表达能力。     

Evaluation of a generalizable approach to clinical information retrieval using the automated retrieval console (ARC)

Reducing custom software development effort is an important goal in information retrieval (IR). This study evaluated a generalizable approach involving with no custom software or rules development. The study used documents “consistent with cancer” to evaluate system performance in the domains of colorectal (CRC), prostate (PC), and lung (LC) cancer. Using an end-user-supplied reference set, the automated retrieval console (ARC) iteratively calculated performance of combinations of natural language processing-derived features and supervised classification algorithms. Training and testing involved 10-fold cross-validation for three sets of 500 documents each. Performance metrics included recall, precision, and F-measure. Annotation time for five physicians was also measured. Top performing algorithms had recall, precision, and F-measure values as follows: for CRC, 0.90, 0.92, and 0.89, respectively; for PC, 0.97, 0.95, and 0.94; and for LC, 0.76, 0.80, and 0.75. In all but one case, conditional random fields outperformed maximum entropy-based classifiers. Algorithms had good performance without custom code or rules development, but performance varied by specific application.