XiaoMi-AI文件搜索系统
World File Search SystemCorpus
基金指南-ICAR
印度国家农业研究系统 (NARS) 必须找到解决农业当前问题的方法，并保持其在技术开发方面的领先地位，以应对所有不断出现的预期和未预期的问题。新德里印度农业研究理事会 (ICAR) 致力于支持解决问题的研究理念，并解决具有区域和国家重要性的问题。还支持研究产生新的科学和知识维度，这些研究具有未来在农业及其相关领域（包括畜牧业、渔业、社会科学和其他相关领域）应用的潜在潜力。理事会正在努力激励科学家，使他们具备科学才能，并最终影响印度农业/农业科学。 Corpus 基金下的竞争性拨款项目是 ICAR 的新举措之一，旨在为科学家提供资金，使他们能够出色地完成研究项目。理事会将以竞争模式邀请 Corpus 基金资助的研究提案。 Corpus 基金下的竞争性拨款项目的愿景、使命和目标如下：
Corpus-基金指南-2024.pdf
印度国家农业研究系统 (NARS) 必须找到解决农业当前问题的方法，并保持其在技术开发方面的领先地位，以应对所有不断出现的预期和未预期的问题。新德里印度农业研究理事会 (ICAR) 致力于支持解决问题的研究理念，并解决具有区域和国家重要性的问题。还支持研究产生新的科学和知识维度，这些研究具有未来在农业及其相关领域（包括畜牧业、渔业、社会科学和其他相关领域）应用的潜在潜力。理事会正在努力激励科学家，使他们具备科学才能，并最终影响印度农业/农业科学。 Corpus 基金下的竞争性拨款项目是 ICAR 的新举措之一，旨在为科学家提供资金，使他们能够出色地完成研究项目。理事会将以竞争模式邀请 Corpus 基金资助的研究提案。 Corpus 基金下的竞争性拨款项目的愿景、使命和目标如下：
2024; 15(10): 2948-2959. doi: 10.7150/jca.92201 研究论文建立子宫体子宫内膜癌的预后模型并预测
背景：子宫体子宫内膜癌 (UCEC) 是子宫内最常见的癌症类型，具体起源于子宫内膜，即子宫内膜。程序性细胞死亡 (PCD) 是一个高度受调控的过程，可消除体内受损、老化或不需要的细胞。PCD 通路失调可导致各种癌症的形成和进展，包括 UCEC。方法：十四种 PCD 通路（自噬依赖性细胞死亡、碱凋亡、细胞凋亡、杯凋亡、内细胞死亡、铁凋亡、免疫原性细胞死亡、溶酶体依赖性细胞死亡、MPT 驱动的坏死、坏死性凋亡、网状细胞死亡、氧化凋亡、单核细胞死亡和焦亡）参与了预后特征的构建。该模型使用来自 TCGA-UCEC 的数据进行训练和测试，并使用 GSE119041 数据集进行验证。结果：建立了12个基因的PCD特征（DRAM1、ELAPOR1、MAPT、TRIM58、UCHL1、CDKN2A、CYFIP2、AKT2、LINC00618、TTPA、TRIM46和NOS2），并在独立数据集中进行了验证。具有高PCD评分（PCDS）的UCEC患者预后较差。此外，通过多种方法发现PCDS与免疫相关细胞和关键肿瘤微环境成分相关。观察发现，具有高PCD评分的UCEC患者可能无法从免疫治疗中受益，但某些化疗药物如硼替佐米可能会有用。结论：总之，通过全面分析不同的细胞死亡模式建立了一种新颖的PCD模型。该模型准确预测了UCEC的临床预后和药物敏感性。研究结果表明，PCD特征可以作为评估UCEC患者预后和指导治疗决策的有力工具。
从技术到市场。双语语料库对技术机会发现的评价
摘要 随着企业致力于增强和扩大其产品组合，技术机会发现 (TOD) 越来越受到关注。为了理解新兴技术在创新中的作用，我们引入了一种新的英语和日语技术市场语料库，并对技术与市场之间的联系进行了全面的实证评估。我们的数据集包括从 USPTO 数据库中提取的英文专利和从日本专利局 (JPO) 提取的日文专利，以及每家股票市场公司的相关产品。我们比较了几种静态和上下文化的词嵌入方法来构建技术市场空间，并提出了一种基于微调 BERT 模型的有效方法，用于将技术与市场联系起来。
在Twitter上分析气候变化话语的动态：新的带注释的语料库和多光谱分类
摘要围绕社交媒体平台上气候变化的话语已成为理解公众情绪，观点和参与这个关键全球问题的重要途径。公开可用的数据集的不可用，再加上社交媒体平台上对气候话语的多范围分析，强调了这一领域进一步发展的必要性。为了解决这一差距，在本文中，我们对Twitter上气候变化话语的复杂领域进行了广泛的探索，利用了一个精心注释的Climaconvo数据集，其中包含15,309条推文。我们的注释包括丰富的范围，包括相关性，立场，仇恨言论，仇恨和幽默的方向，提供对话语动态的细微理解。我们解决了剖析在线气候讨论并详细介绍我们全面注释方法的固有的挑战。除了注释外，我们还对六个任务进行了各种算法的基准评估：相关检测，立场检测，仇恨言论识别，方向和目标以及幽默分析。该评估增强了我们对话语中情感波动和语言微妙的理解。我们的分析扩展到探索性数据检查，推出推文分布模式，立场流行和仇恨言论趋势。采用复杂的主题建模技术揭示了主题簇的基础，从而提供了对话语中编织的各种叙事线程的见解。这些发现为寻求浏览气候变化讨论的复杂性的研究人员，政策制定者和沟通者提供了宝贵的资源。本文的数据集和资源可在https://github.com/shucoll/climaconvo上获得。
polynere：一种新颖的本体论和语料库，用于聚合物科学领域中指定的实体识别和关系提取
抽象聚合物被广泛用于不同的领域，并且对提取和组织信息的有效方法的需求正在增加。使用机器学习的自动化方法可以准确地从科学论文中提取相关信息，从而为使用带注释的培训数据提供了一种有希望的解决方案，以自动化信息提取。在本文中，我们引入了一个与聚合物相关的本体论，该本体论具有至关重要的实体和关系，以增强聚合物科学领域的信息提取。我们的本体论是可以自定义的，以适应特定的研究需求。我们提出了Polynere，一种高品质的命名实体识别（NER）和关系提取（RE）语料库，其中包括使用我们的本体学注释的750个聚合物摘要。Polynere的独特特征包括多种实体类型，关系类别，对各种NER设置的支持以及在不同层面上主张实体和关系的能力。Polynere还通过支持证据来促进RE任务中的推理。我们的最新高级方法实验取得了令人有希望的结果，但挑战持续将NER和RE从摘要调整为全文段落。这强调了在聚合物域中需要强大的信息提取系统的需求，这使我们的语料库成为未来发展的宝贵基准。
韩国生物医学语料库（KBMC）用于医学命名实体识别
特定于领域的命名实体识别（NER）的意义，尤其是在法律和医学等领域，要求进行更深入的研究和实现。NER在医疗NLP中的作用如下：首先，NER有助于处理医学术语。医学ner使语言模型能够识别和处理医疗术语和行话。接下来，它有助于从非结构化数据中提取信息。实际上，Pearson等。（2021）已经执行了NER来重新移动或从非结构化医疗数据集中编码信息。此外，NER有助于敏感的患者特定信息的匿名性（Catelli等人，2021）。但是，医疗数据集不足是有问题的。这个问题变得更加具有挑战性，因为特定领域的NER任务需要广泛的标签，尤其是对于疾病，身体和治疗等特定实体类别。由于需要专家级知识，因此难以进一步放大。数据稀缺问题在诸如韩文等相对低资源的语言中会恶化。没有开源医疗数据集的韩国人证明了问题的严重性。为了解决数据稀缺问题，我们介绍了KBMC（韩国生物医生），这是第一个针对韩国的开源医疗数据集。我们利用chatgpt 1进行有效的句子创建。随后，我们注释了与生物格式下的疾病名称，身体部位和治疗相对应的实体。增加数据集并检查一般文本中的性能，
callosum callosum完整性与单侧痉挛性CE
抽象背景。call体（CC）在上肢（UE）功能中起重要作用。对单侧痉挛性脑瘫（USCP）儿童的UE功能的影响以及强化干预后的改善仍然未知。目标。检查UE函数与CC完整性之间的（1）之间的关系以及（2）CC完整性与UE功能的变化之间的关系。方法。我们回顾性地分析了来自44名参与者（年龄9。40±3.10岁）的便利样本的临床和神经影像学数据。参与者接受了90小时的手臂双臂强化治疗（习惯）或约束诱导的运动疗法（CIMT）。单人敏感性（Jebsen-Taylor的手部功能[JTTHF]）和双态性能（辅助手动评估[AHA]）进行了干预前和干预后的评估。cc拖拉术，并分段为3个区域（fune，中体，脾脏）。Pearson相关性和回归用于评估结果与DTI参数之间的关系（即，分数各向异性[FA]，流线的数量，平均值，径向，径向和轴向扩散率）。结果。两组在双人性绩效方面有所改善（p <.01）。CIMT组的单一灵巧性改善（p <.01）。基线单一灵活性和双人性能与大多数CC区域的FA和流线数量相关（p <.05）。习惯习惯，中体FA与前AHA变化正相关（r = 0.417; p = .042）。CIMT之后，JTTHF的前post变化与CC的轴向和径向扩散率负相关，而AHA则具有脾脏和CC，中体和脾脏的流线数（所有P <.05）。结论。CC完整性对于UE功能在UE功能中很重要。
Cockusbrain ++：知识密集型语言任务的连续生成培训框架
知识密集型语言任务（kilts）通常需要从可信赖的语料库中检索相关文档，例如Wikipedia，以产生特定的答案。最近，提出了一个名为Copusbrain的苏格兰语的预训练的生成检索模型，并提出了新的最先进的检索性能。然而，包括苏格兰短裙在内的大多数现有研究，包括科班班，主要集中在静态文档收集上，俯瞰了现实世界情景的动态性质，在这些情况下，将不断地将新文档纳入源语料库中。为了解决这一差距，探索检索模型有效处理苏格兰短裙中固有的动态检索方案的能力至关重要。在这项工作中，我们首先介绍了苏格兰短裙的持续文档学习（CDL）任务，并根据原始的kilt数据集构建一个名为Kilt ++的新颖基准数据集进行评估。然后，我们对在KILT ++上使用预训练的团体的使用进行了全面的研究。与固定场景中的有希望的结果不同，科体易于在动态场景中灾难性遗忘，因此阻碍了检索性能。为了减轻此问题，我们提出了Copusbrain ++，这是一个持续的生成预训练框架，在两个关键方面增强了原始模型：（i）我们采用骨干装置体系结构：通过任务特定的任务预训练的预先训练目标，为每个下游KILT学习了动态适配器；任务共享的骨干参数保持不变，以提供基础检索能力。（ii）我们利用基于类似于新文档的示例文档的经验重播策略，以防止灾难性忘记旧文档。经验结果证明了与传统和生成IR方法相比，Copusbrain ++的显着有效性和出色的效率。
