数学文本

摘要： 数学阅读力是学生学习中必不可少的能力。但在小学数学学习中,学生在数学阅读力方面存在以下几个问题:(1)缺乏对信息的提取能力。学生在阅读数学文本时,不能有效地根据问题对信息进行筛选,并对有用信息进行提取,不善于从数学的角度去理解文本。(2)缺乏对文本的加工能力。阅读后缺少对文本进行分析、判断、处理、提炼等方法,不能有效厘清要素关系、建构逻辑关系。(3)缺乏对结论的运用能力。学生在对信息加工之后,不能有效地将理解了的信息转换成自己可以理解的思维逻辑和意义,所形成的信息因缺乏整理而难以长久保持,也不容易提取。

摘要： 数学阅读是从数学文本中获取意义的、积极的认知心理过程[1]。数学阅读的对象范围广泛,本文特指围绕相关数学材料或数学问题,以数学思维为基础和纽带,用数学的方法、观念来认知、理解和解决问题的学习活动。数学阅读能力是个体在数学阅读过程中,直接影响数学阅读速率和数学阅读任务顺利完成的复杂的心理特征的总和,包括:对数学材料中的有用信息的提取与概括;对文字语言、符号语言、图形语言的理解与转化.

摘要： 在教学中,很多教师忽略了数学阅读的重要性,没有引导学生对数学文本进行有效解读,致使学生解题能力不强、错误率较高。学生的解题常常是基于课本例题的掌握情况,稍作变式尚能模仿解答,一旦加以拓展或综合训练就手足无措。所以,数学教学要立足数学文本,引导学生理解数学语言,激活学生的数学思维,从而实现高效解题。

摘要： 深度学习是相对于一般教学中的浅层学习而言的一种深层次研究学习,是基于学生的能力发展的学习。对于小学数学教学而言,深度学习是实现学生高阶思维培养的重要途径。通过深度学习的有效开展,学生可以进行深层次的研究与分析,这对学生的综合发展是较为有利的。数学文本知识问题化的进行,可以将原有的陈述性教学转变为独立的数学问题,再引领学生对相应的数学问题进行探究。在现阶段,为了落实立德树人的根本任务,教师需关注学生综合能力与高阶思维的培养,想办法开展深度学习活动。

摘要： 1.数学阅读的内涵数学阅读是从数学文本中获取有意义的积极的认知活动,而编码、语言转译和理解是其核心的要素.编码是指对数学符号、概念的感知.语言转译指数学语言之间的互译、转换.理解是对数学材料的整合,是对数学文本的感知、领会与应用.

摘要： 实施文本阅读教学是新课程改革的一项重要内容。笔者所在学校近两年一直在做以“学生在前,教师在后”为核心理念的“大问题”教学实践。要真正实现“学生在前”的教学,学生自主阅读文本显得尤为重要。本文主要从在“大问题”教学中对学生文本阅读能力现状的了解、分析和静态文本阅读能力培养策略进行介绍。

摘要： 所谓有效问题是指将数学文本知识转化为多层次、多维度的预设问题,以问题为导向驱使学生利用理论知识分析问题、解决问题,让问题成为课堂教学目标达成的手段和实现方式。有效问题作为学生学习模式的一种新路径,有利于学生理解抽象、空洞的文本知识,从而使僵硬的文本知识富有情趣,如春风细雨般润泽学生心灵,最终将知识内化为一种技能,根植于学生内心深处。

摘要： 学科教学下的“数学阅读理解”,是指学生结合已有数学知识,根据阅读材料中数学文本概念的内涵与外延,对内容加以补足、解释和推演,进而解决数学问题并获得数学知识的心理过程.学生数学阅读理解能力的不足,不仅影响学生数学学习过程中问题解决能力的形成和考试成绩的提升,还将影响学生数学潜能的发挥.

摘要： 数学课本是小学生进入数学知识"殿堂"的门槛,是形成和提高数学核心素养的重要依托.而指导小学生在数学课本中"读什么"则是数学教师面临的重要问题.要解决这一问题关键要明确小学数学课本里"有什么".小学数学课本中包含大量的文字信息、图画信息以及各种数学符号信息.据此,教师可以从指导学生读数学课文、读数学插图、读数学符号三个方面解决数学课本"读什么"的问题.

摘要： 高中数学教学中,教师要引导学生从数学文本的角度建立数学关系,依据关系收集与数学问题有关的材料,结合数学关系的要点挖掘隐含条件.掌握文本阅读的方法,有利于学生结合数学概念与文本材料找到解题的方向.教学过程中,教师要意识到无法用同一标准来要求每一个学生,学生间存在基础水平和能力素养方面的差异,这在学生进入高中后表现得尤为明显.

摘要： 本发明公开了一种基于集成列式卷积的医学文本实体提取方法，涉及文本信息处理技术领域，方法包括：对预先获取的医学文本进行分词处理，得到分词文本；根据预先建立的索引词库确定所述分词文本对应的分词索引；将所述分词索引作为预训练模型的输入，得到高维文本向量；对所述高维文本向量进行特征提取，得到高维文本特征向量；将所述高维文本特征向量作为预设第一预测模型的输入，得到第一预测结果；对所述第一预测结果进行校正，得到第二预测结果；基于预设转化函数，将所述第二预测结果转化为命名实体，解决了现有技术在进行医学文本命名实体识别时，识别/提取效果差的技术问题。

摘要： 本发明提供的一种面向临床检验医学文本的编码方法，涉及临床检验医学领域。本发明通过对临床检验医学文本进行分析和处理，得到其内在内容结构，并对其各结构进行结构化编码；在进行结构化编码前还计算与临床检验医学术语库中各临床检验医学术语的相似度；能有效的减少重复和近似的临床检验医学术语；在临床检验医学术语在保存时，采用了基于分词的源结构，通过将分词作为编码的基本单元，再通过组合编码分词库中不同分词从而形成对应的临床检验医学术语；能节省极大的存储空间；通过结合分词词典和机器学习分词器进行分词，从而减小人工审核工作量，提高分词效率；添加了全映射、基本映射和主分词映射三种映射模式，从而使通用性更好。

摘要： 本发明公开了一种基于医学知识概念图的医学文本标签识别方法及系统。该方法包括：获取医学知识图谱，医学知识图谱包括多个医学疾病概念层次树，每个医学疾病概念层次树对应疾病的一个类别；获取文本特征关键词，文本特征关键词包括从医学文本中提取的关键词；将文本特征关键词映射到医学知识图谱中，得到特征关键词图谱；确定各文本特征关键词的重要度；根据各文本特征关键词的重要度，选择识别特征关键词，识别特征关键词用于对医学文本进行疾病类别识别；基于识别特征关键词对医学文本所属的疾病类别进行识别。本发明采用用于疾病的医学知识概念图辅助基于关键词的医学文本分类，提高了医学文本准确性，进而保障了分类结果的有效性。

摘要： 本说明书实施方式提供了一种医学文本的分词方法、装置、计算机设备和存储介质。包括：获取所述医学文本中的医学基础词和医学复合词；其中，所述医学基础词不能被切分出医学子词；按照构成所述医学复合词的文字顺序，将所述医学复合词切分成多个非复合的医学子词；其中，所述医学复合词中的一个文字被分入一个医学子词；其中，所述非复合的医学子词不能被进一步切分出医学子词；标注所述医学基础词、所述医学复合词和所述医学子词的词性，得到所述医学文本的医学词分词结果。通过对医学文本采用多维词典匹配、模型预测和词语联想的方法，实现一款能提高医学文本分词准确性的医学分词工具。

摘要： 本申请公开了一种医学文本检测方法、模型的训练方法及相关装置，该方法包括：获取待测医学文本；提取待测医学文本中各个字符的语义表示；基于各个字符的语义表示，预测得到若干分值矩阵；基于若干分值矩阵，解码得到待测医学文本中目标医学实体和目标医学关系。上述方案，能够同时解决医学文本中的实体嵌套问题和实体关系重叠问题。

摘要： 一种用于处理用中文表示的非结构化医学文本的方法，该方法包括：使用基于注意力的命名实体识别(NER)模型来识别用中文表示的非结构化医学文本中的医学实体；使用多维实体理解框架对所识别的医学实体进行结构化；使用医学知识图对结构化的医学实体进行归一化；以及输出归一化的医学实体。

摘要： 本发明涉及面向自然语言处理的预训练领域，具体提供了一种医学文本词向量化方法，通过对原始医学文本数据探查建立词库对后续的向量化做准备，然后通过GLOVE模型进行医学数据词向量化；所述原始医学文本分为结构化数据、半结构化数据和非结构化数据，所述结构化数据中有固定的填写要求数据，所述半结构化数据包含一部分电子病历数据，半结构化数据中有固定标识，固定标识中的内容可能空，所述非结构化数据也包含一部分电子病历数据，非结构化数据没有标识，根据知识去提取。与现有技术相比，本发明收集数据较快速且准确。

摘要： 本发明公开了一种医学文本的实体关系抽取方法，该方法包括以下步骤：接收待实体关系抽取的医学文本；将医学文本转化为bert格式数据；对bert格式数据进行数值索引转化，得到文本数值索引；利用预训练得到的主语感知关系提取模型对文本数值索引进行上下文动态编码，并对编码结果进行实体关系抽取，得到实体关系抽取结果。应用本发明所提供的医学文本的实体关系抽取方法，避免了实体关系的重合，保证了对编码结果进行实体关系抽取的全面性，较大地提升了实体关系抽取结果的准确性。本发明还公开了一种医学文本的实体关系抽取装置、设备及存储介质，具有相应技术效果。

摘要： 本发明具体涉及一种基于分解‑重组策略的医学文本实体关系联合抽取方法。本方法将医学文本实体关系抽取任务分解成实体标记、关系分类和重组匹配三个子模块，具体包括S1：对医学文本进行数据预处理；S2：将处理后的数据输入预训练模型编码器，输出包含语义信息的词向量；S3：将词向量输入到基于跨度的实体标记模块，抽取出医学文本中的所有头实体和尾实体；S4：将词向量输入到关系分类模块，抽取出所有可能存在的关系，同时利用焦点损失函数缓解关系样本分布失衡问题；S5：将抽取出的头实体和关系进行重组，利用自注意力机制匹配相应尾实体，解决三元组实体重叠问题。经过实验证明，本方法能有效提高医学文本数据中实体关系三元组的抽取效果。

摘要： 本发明提供了一种数学文本的语义分类方法。首先根据高等数学教材的层级结构，从中提取出数学文本数据集，然后利用BERT预训练模型得到数据集的词嵌入表达，分别对具有线性序列特征的自然语言文本词向量和具有树形结构特征的数学语言文本词向量采用平均聚合方法和Tree‑LSTM聚合方法，再对两个聚合向量进行拼接处理，最后将拼接向量送入多层前馈神经网络，采用Hierachical Softmax回归模型输出分类结果。本发明的方法可以大大提高数学文本的分类精度。