inference-70

关于批判性思维

字面翻译是detective story。

但一般西方国家都称之为mystery story。

whodunit，即who has done it，是意指“凶手是谁”的略写，同理还有howdunit（如何犯案）和whydunit（动机为何，注：whydunit的趣向于本格推理与社会派是有不同的表现方式），此外说的较多的类似短语还有whatdunit（概指对谜面式的现象的诘问，像岛田的作品就常常出现，不过如今与叙诡也有微妙联系）

常见的还有一个howcatchem，是倒叙推理（inverted detective story）延伸出来的名词，即how catch them，如何抓到犯人（犯案的证据）

知识抽取-事件抽取

【基本介绍】

“批判性思维”是关于能力型考试也是关于GCT-ME逻辑考试的一个最重要的关键词。能力型考试的设计是基于“批判性思维”的理念之上的。

批判性思维是英语CriticalThinking的直译。CriticalThinking在英语中指的是那种能抓住要领，善于质疑辨析，基于严格推断，富于机智灵气，清晰敏捷的日常思维。在现代社会，批判性思维（criticalthinking）被普遍确立为教育特别是高等教育的目标之一。养成批判性思维能力和精神气质，对于应付复杂多变的世界，提升现代社会生活的人文精神，都是必要的。

[编辑本段]【名词简介】

研究心理学最大的好处在于，不仅能了解大脑运作的一般知识，还可以运用批判性思维来思考问题。批判性思维（criticalthinking）是一种基于充分的理性和客观（批判性思维基于充分的理性和事实、而非感性和传闻来进行理论评估与客观评价的能力与意愿。）事实而进行理论评估与客观评价的能力与意愿，它不为感性和无事实根据的传闻所左右。具有批判性思维的人能在辩论中发现漏洞，并能抵制毫无根据的想法。他们认为，批评一种观点并不等于批判性思维批评持有此种观点的人。他们非常热衷于进行激烈的辩论，以探明一种观点的合理性。不过批判性思维也并非仅仅是一种否定性思维，它还具有创造性和建设性的能力——能够对一件事情给出更多可选择的解释，思考研究结果的意义，并能运用所获得的新知识来解决社会和个人问题。

大部分人都知道要保持体形必须坚持锻炼，殊不知保持清晰的思维同样需要努力锻炼。在我们周围可以看到很多惰性思维的例子。人们有时懒得思考，还往往得意地告诉他人自己的思想有多开放。很多科学家认为，思想开放固然不错，但也不能空穴来风！

批判性思维不仅在日常生活中是不可缺少的，它还是包括心理学在内所有科学的基础。通过批判性思维的训练，你就能把真正的心理学同那些散布于电台和书店里的伪科学区分开来。批判性思维不仅需要逻辑能力，拥有许多其他的能力与性格倾向也很重（Anderson；Halpern，1995；Levy，1997；Paul，1984；Ruggiero，1997）。

作为现代逻辑的一个发展方向，从上个世纪70年代起，西方主要是北美出现了一场被称为"新浪潮"的批判性思维运动。这场运动的重要结果之一，就是出现了如前所述的这种以批判性思维的理念为基础的风靡全球的能力型考试模式。

“批判性思维”理念关注的核心问题是逻辑知识与逻辑思维能力之间的关系，或者更一般地，是知识和能力之间的关系。

显然，任何有成果的思维离不开知识。但是，掌握的知识越多，是否意味着思维能力越强？特殊地，掌握的逻辑知识越多，是否意味着逻辑思维能力越强？承载各种不同知识内容的具体思维中所体现出来的思维能力之间，是否具有一般的可比性？是否存在一种相对独立于各种专门知识，包括逻辑专门知识的逻辑思维能力？这种能力，如果存在的话，是否与生俱来存在差异？后天可否训练？这种能力的差异是否可测试？人的素质，主要由什么决定？知识还是能力？

[编辑本段]【界定划分】

批判性思维“批判的”（critical）源于希腊文kriticos（提问、理解某物的意义和有能力分析，即“辨明或判断的能力”）和kriterion（标准）。从语源上说，该词暗示发展“基于标准的有辨识能力的判断”。将critical应用于思维，意味着利用恰当的评估标准确定某物的真实价值，以明确形成有充分根据的判断。

批判性思维作为一个技能的概念可追溯到杜威的“反省性思维”：能动、持续和细致地思考任何信念或被假定的知识形式，洞悉支持它的理由以及它进而指向的结论。20世纪40年代，批判性思维被用于标示美国教育改革的一个主题；70年代，批判性思维成为美国教育改革运动的焦点；80年代成为教育改革的核心。美国批判性思维运动的开拓者恩尼斯（RobertEnnis）1962年就认真分析了“批判性思维”概念，新近的表述为：批判性思维是“为决定相信什么或做什么而进行的合理的、反省的思维”。哈贝马斯将批判性思维等同于“解放性学习”（emancipatorylearning），即学会从阻碍人们洞察新趋势，支配自己的生活、社会和世界的那些个人的、制度的或环境的强制力中解放出来。

但是，对批判性思维存在三个基本误解。有人认为批判性思维是否定性的，即本质上是发现缺陷。然而，一个批判性思维者不仅仅是悬疑判断。质疑、批判是为了寻求理由或确保正当性，为我们的信念和行为进行理性奠基。因此，批判性思维也是建设性的。批判性思维使人们意识到，我们所处的世界中的价值、行为和社会结构的多样性。人们还以为，批判性思维作为一个控制的手段起作用，是有害的、应避免的东西。可是，批判性思维是个人自治的基础。一个自主的人是自我管理的（控制的）或自我指示的。自治使一个人较少依赖并因此较少受他人的规定、指示和影响。还有一个误解是，批判性思维并不包括或鼓励创造性。这源于一个错误观念：创造性本质上是打破规则。相反，创造性常常包括着大量对规则的遵批判性思维循。一个原创的洞察力恰恰需要知道如何在给定的情景中解释和应用规则。智力是分析的、创造的和实用的信息加工过程三者的平衡。三种主要思维模式是：批判－分析性思维（critical-analyticthinking）、创造－综合性思维（creative-syntheticthinking）和实用－情景性思维（practical-contextualthinking）。对大多数人来讲，创造性思维和批判性思维平衡发展是生活的要求。

20世纪90年代，鉴于批判性思维定义的严重分歧，美国哲学学会运用德尔菲（Delphi）方法（反复询问调查＋专家意见＋直观结果的方法），

将批判性思维界定为：

批判性思维是有目的的、自我校准的判断。这种判断导致解释，分析，评估，推论以及对判断赖以存在的证据、概念、方法、标准或语境的说明。

批判性思维没有学科边界，任何涉及智力或想像的主题都可从批判性思维的视角来审查。批判性思维既体现思维技能水平，也凸显现代人文精神。它是一种不可缺少的探究工具，是教育的解放力量，是人们的私人生活和公共生活的强大资源。

[编辑本段]【主要技能】

批判性思维教育的直接目标是培育好的批判性思维者，即能够整合批判性思维的各种技能并加以有效运用，增强在其他学科学习和日常生活中运用这些有力工具的自信心、自觉性和具备良好判断力的人。好的批判性思维者既包括技能的维度也包括气质的维度。核心批判性思维技能包括：解释（interpretation）、分析（analysis）、评估（evaluation）、推论（inference）、说明（explanation）和自我校准（self-regulation）。

（一）解释

解释理解和表达变化多样的经验、情景、数据、事件、惯例、信念、规则、程序、标准的意义或重要性。

1、范畴归类使用范畴进行归类、区分，理解、描述信息的特征和意义。例如，识别一个问题并无偏见地定义其性质；确定对信息进行分类及亚分类的有用方法；使用特定的分类框架对数据、发现或意见进行分类等。

2、解读意义觉察、关注和描述信息内容、情感表达、目的、社会意义、价值、见解、规则、程序、标准等。比如，察觉、描述一个人询问某个问题的目的；鉴别特定社会情景中一个特殊面部表情或手势的意义；洞悉辩论中反讽或修辞式询问的使用；解释使用特殊仪器获得的数据。

3、澄清含义通过限定、描述、类比或比喻性的表达式来解释或澄清语词、观念、概念、陈述、行为、图画、数字、记号、图表、符号、规则、事件或仪式等的语境的、惯例的或意欲的含义，消除混淆、模糊或歧义，或者为这种消除设计一个合理的程序。

（二）分析

辨识陈述中意欲的和实际的推论关系，辨识问题、概念、描述或其他表达信念、判断、经验、理由、信息或意见的表征形式。

1、审查理念确定各表达式在论证、推理或说服语境中扮演或企图扮演的角色；定义概念；比较概念或陈述；辨识难题或问题，并确定它们的组成部分，同时确定它们之间以及它们每一部分和整体之间的概念上的关系。

2、发现论证确定陈述、描述、质疑或图表是否表达或企图表达一个（或一些）理由以支持或反对某个主张、意见或论点。

3、分析论证对于那些意欲支持或反对某一主张之理由的表述，辨识它的。

（1）主结论；

（2）支持主结论的前提或理由；

（3）深层前提或理由（用以支持主结论之前提的前提或理由）；

（4）推理的其他未表达因素，如间接结论、未陈述假设或预设；

（5）论证的整个结构或推理链；

（6）审查那些并不打算作为所述推理的一部分，但作为背景性的、包括在表述整体之内的任何项目。

（三）评估

对陈述、说明人们的感知、经验、情景、判断、信念或意见的表征的可信性进行评价；评价陈述、描述、疑问或其他表征形式之间实际存在的或意欲的推论关系的逻辑力量。

1、评估主张认识那些与评估信息或意见源的可信度相关的因素；评估问题、信息、原则、规则或程序所指示的语境相关性；评估可接受性，即任何特定经验、情景、判断、信念或意见之表征的真或可能真的置信水平。

2、评估论证判断一个论证前提的可接受性能够证明该论证所表达的结论可被当作真的（演绎确定性）接受，还是当作很可能真的（归纳或合情论证）接受；预期或提出质疑、反对，并评估所涉及的这些点是否为被评估论证的重大弱点；确定一个论证是否依赖虚假或可疑的假设或预设，然后确定它们如何关键地影响论证的力量；判断合理的和谬误的推论；判断论证的前提和假设对于论证的可接受性的证明力；确定在哪个可能的范围内附加的信息能增强或削弱论证。

（四）推论

辨识和把握得出合理结论所需要的因素；形成猜想和假说；考虑相关信息并从数据、陈述、原则、证据、判断、信念、意见、概念、描述、问题或其他表征形式导出逻辑推断。

1、寻求证据尤其要了解我们所需要的支持性前提，并且谋划寻求和汇集可能提供这种支持性批判性思维信息的策略；一般地，需要对与决定某个选择、问题、难题、理论、假说或陈述的相对优点、可接受性或合理性相关的那些信息做出判断，确定获得这些信息的合理探查策略。比如，当试图发展支持某人观点的说服性论证时，要判断有用的背景信息有哪些，并形成一个计划，对有关如此信息是否可利用的问题给出一个清晰回答；在断定某些缺失的信息对于决定某一观点是否比相竞争的观点更合理有密切关系之后，要筹划对这些信息的搜索，揭示这些信息是否可利用。

2、推测选择阐明解决问题的多种选择，假定关于某一问题的一系列推测，设计关于事项的可选假说，发展达至目标的各种计划；描述预见并设计决策、立场、政策、理论或信念的可能后果的排序。

3、得出结论应用合适的推论模式决定在给定的事务或问题上一个人应采取什么立场、看法或观点；对一个陈述、描述、问题或前提集，以恰当的逻辑力等级得出推论关系以及它们所支持、担保、蕴涵或推出的结果或假设；成功地使用推理的各种形式，确定一些可能的结论得到最强的担保、得到手头证据的最强支持，确定哪个应被拒斥，或依据给定的信息应被视为较不合理。

（五）说明

陈述推理的结果；用该结果所基于的证据的、概念的、方法论的、标准的和语境的相关术语证明推理是正当的；以使人信服的论证形式呈现推理。

1、陈述结果对推理活动结果予以精确陈述、描述或表征，以便分析、评估、根据那些结果推论或进行监控。

2、证明程序的正当性表述用于形成解释、分析、评估或推论的证据的、概念的、方法论的、标准的和语境的考虑，以便能精确地记录、评估、描述、向自己或他人证明那些过程是正当的，或者以便补救在执行这些过程的一般路线中觉察到的不足。例如，在从事一个耗时而困难的问题或科学程序时，保持记录探究的进程和步骤；对为了数据分析的目的所选择的特殊统计试验进行说明；陈述在评估一篇文献时所使用的标准；当概念的澄清对推进给定问题的研究至关重要的时候，说明如何理解关键概念；说明对使用的技术方法一直感到满意的先决条件；报告用于旨在以合理方式做出决策的策略；设计一个用于描绘证据的定量的或空间的信息图解。

3、呈示论证给出接受某个主张的理由；对付那些就推论、分析或评估的判断之方法、概念阐释、证据或语境的恰当性所提出的异议。

（六）自我校准

自觉监控自己的认知活动、用于那些活动中的元素和得出的结果，特别将分析和评估技能应用于自己的推论性判断，以质疑、证实、确认或校正自己的推理或结果。

1、自我审查反省自己的推理并校验产生的结果及其应用，反省对认知技能的运用；对自己的意见和坚持它们的理由做出客观、深思的元认知评价；判断自己的思维在多大程度上受到知识不足或老套、偏见、情感以及其他任何压制一个人的客观性或理性的因素的影响；反省自己的动机、价值、态度和利益，以确定已尽力避免了偏见，做到了思想公正、透彻、客观、尊崇真理和合理性，而且在将来的分析、解释、评估、推论或表述中也是理性的。

2、自我校正自我审查、揭露错误或不足，如果可能，设计补救或校正那些错误及其原因的合理程序。

[编辑本段]【基本概念】

“批判性思维”理念的基本点是：

人的日常逻辑思维能力，实际上是一种相对独立于各种专门知识，包括逻辑专门知识的逻辑思维能力，即“批判性思维”能力。这种能力，第一是存在的；第二是有差异的；第三是可训练的；第四是可测试的。人的素质差异，本质地不在于他们所掌握的知识信息量的差异，而在于他们思维能力的差异。“批判性思维”理论的目标是，寻找有效途径，训练这种能力，揭示这种能力上的差别，把这方面的高素质的对象选拔出来。能力型考试特别其中的逻辑批判性思维部分，测试的就是考生的这种能力。这就是为什么对于能力型考试来说，逻辑试题的设计应当尽量避免或减少解题过程对相关逻辑知识及其运用的依赖；一道逻辑试题对批判性思维能力的区分度越高，这道试题的质量就越高，否则，就越低。

尼斯（Ennis,R.H.,1987）认为批判性思维是指为了决定什么可做，什么可信所进行的合理、深入的思考。

批判性思维有以下12项特点：

1抓准“陈述”的意思。

2判断推理是否含糊。

3判断多项“陈述”之间是否互相矛盾。

4判断结论是否必要。

5判断“陈述”是否正确。

6判断“陈述”是否根据某一原理引申出来的。

7判断“观察性陈述”是否可信。

8判断“归纳性结论”是否其有来自。

9判断“问题”是否已经确定下来。

10判断所说的是否只是假设。

11判断所下的定义是否合适。

12判断引述某一权威言辞是否可接受。

[编辑本段]【智力价值】

对思想和行为的质疑和评价是根据一定的标准完成的。在其典范形式里，批判性思维以超越主题内容的普遍智力价值为基础。只要一个人对检核关于一个问题、难题或境遇的论证的质量感兴趣，那么，普遍智力标准就必定被用于思维。这些标准主要有：清晰性、正确性、精确性、一致性、相干性、逻辑性、深度、广度和公正。批判性思维。

（一）清晰性

清晰性是最基本的智力标准。如果陈述不清晰，就谈不上它是否正确或相关。清晰性要求的目的是，免除混淆或含糊，消除晦涩，使人们能较好地理解话语。清晰性是思维的基础也是批判性思维的基础目标。认识到“您所意谓的”和“您所说的东西意谓的”这二者之间的区别是重要的。澄清的关键是具体、详细而精确的例子。

（二）正确性

免除过失、错误或失真。正确性蕴涵着一个人获得与事实或真理一致性的积极实践。正确性是批判性思维中的一个重要目标，虽然它几乎总是有程度的问题。应认识到，只要我们在一种视界或参照系内思维，常常就会出现某种扭曲失真。我们应带着这种思维的警觉进行思考，带着对自己的、课本的、教师的、学科的视角的局限性的认识进行思考。

（三）精确性

一个陈述可能清晰而正确，但并不精确。精确是正确、明确和确切的质量。达到精确性需要更详细、具体的陈述和解释。当然，精确性本身也是相对的，精确性的标准和方式随学科和语境而变化。针对不同的语境和目的，精确性的精确度要求是不同的。

（四）一致性

思考、行动或说话与先前早已思考的、做的或表达的相一致；具有智力或道德的诚实性。人类生活和思维充满了不一致性、伪善和矛盾。我们经常说一套做一套，对我们自己和我们的朋友用一种标准，但对我们的敌手用另一种标准，并不惜偏激地证明我们赞同的思想或否定与我们的利益不相符合的思想。一致性是批判性思维者的基础理念。他们努力消除自己信念中的矛盾并警惕他人信念中的矛盾。作为心灵公正的思想者要努力以同样的方式对待同样的情形。或许，最难以达至的一致性形式是言与行的一致性。自私自利的双重标准是人类生活中最普通的问题之一。

（五）相干性

批判性思维一个陈述可能是清晰的、正确的、精确的，但与所论的问题并不相干。相干性说的是陈述与当下的内容相关联，它意味着对考虑的事情是重要的、有密切的逻辑关系。批判性思维者必须能知道与问题相干的和不相干的事实之间的区别，把自己的注意力聚焦于相干事实，并且不让不相干的考虑事项影响他们的结论。某事是否相干常常并不清晰，相干性往往需要加以论证。只有通过区分相干和不相干资料的实践，通过评估赞成或反对事实和意见的相干性的持久实践，才能养成对相干性的敏感性。

（六）逻辑性

思维把多种思想整合一起形成某种秩序。当思想的组合相互支撑，组合有意义时，这种思维是“逻辑”的。而当这种组合不是相互支撑，在某种意义上是矛盾的，或并不产生意义，那么这种组合不是逻辑的。逻辑性的标准要求推理只能得出理由所提供的那种可接受性强度的结论。同时，一个接受理由和推理形式的人，必须接受推理的逻辑后承。逻辑性是支撑信念和行为的理由是否具备合理性的问题。当然，逻辑性有程度或强度之分，它与不同的逻辑关系类型有关。

（七）深度

批判性思维者能深入追溯一个问题，全盘把握一个思考或讨论的广泛过程的各个方面。他们对所获悉的详细资料产生自己的理解，将它们置于学科的大构架和他们的全面视角之下。他们沉思所研究的主题和问题背后的重大难题和疑问。一个陈述可能清晰、正确、精确和相干，但可能是肤浅的，缺乏深度。比如，仅仅通过说“不”来阻止某种行为就缺乏深度，它没有对付问题的复杂性。有时一个表面的理由被认为是“借口”。批判性思维者应在这种表面的理由背后挖掘真正的理由。

（八）广度

推理路线是清晰正确的、精确的、相干的，也有深度，但缺乏广度，仅仅认识到洞察问题的一个方面的必要性。我们需要考虑另一种观点吗？存在审视这批判性思维个问题的另一种方式吗？这样的审视像是从某某观点来看的吗？当考虑跨学科问题（大多数社会生活问题）时，批判性思维者借助许多学科的相关概念、知识以及洞察来分析。要理解伊拉克战争的原因，需要运用科技的、地理的、经济的、政治的、宗教的学科见识进行分析。

（九）公正

批判地思考必须考虑对立观点的力量与弱点；想像把自己置于他人的处境，以便真诚地理解他们；克服带着我们的直接感知或长期存在的思想或信念来认识真理的那种自我中心倾向。这个特性与正确重构他人的观点和推理，根据他人的而非我们自己的前提、假设和理念进行推理的能力相关联。世界由许多具有不同观点和思维方式的社群和人们组成。如果人们仅仅从美国人、日本人或俄罗斯人的立场来思考，那他们就不能真正地理解世界。此外，批判性思维者认识到他们的行为影响他人，因此要从他人的视角来考虑自己的行为。

[编辑本段]【基本原则】

敢于怀疑。保持开方的头脑。政客和广告商都会千方百计地试图说服你，甚至某些媒体和教科书的研究报告也难免有失偏颇。把感于怀疑纳入你的个人信条。这样你是否会发现，自己有一些态度和信仰也会是那么肤浅的、甚至是毫无根据的呢？记住，在亲自验明查实之前，请不要随便相信某种真理。

校验术语的定义。对于某些术语，我们以一种方式对其定义也许是正确的，但换一种方式后，这种定义就不一定正确了。来看这样一段论述“提前教育计划提高了儿童的智商。”这句话正确与否依赖于对“智商”定义。（在本书的后续章节中，你将发现“智商”有专门的定义，与智力并不完全相同。）检验假设或论据前提。考虑下面一句论述：没有人可以通过潜心研究动物了解人类的一切。这句话的一个前提之一似乎就是，人类不是动物。当然，我们也是动物。（难道你想做植物吗？）

谨慎地从证据中得出结论。长久以来，研究表明大多数接受心理治疗的患者，经过治疗病情都有所改善。因而一般人说来，人们会认为是心理治疗发挥了功效。而40多年前，一位名叫汉斯·艾森克（HansEysenck）的心理学家却指出，绝大多数未曾接受心理治疗的心理疾病患者，病情也在好转。于是，这个问题转变为，接受心理治疗的人是否比未接受这类治疗的人，病情好转得更为明显。为此，最近一项关于心理治疗有效性的研究，将心理治疗的疗效，与通过其它科技手段治疗或者根本不接受治疗的效果进行了细致的比较。切记对所谓的逸闻轶事保持高度的怀疑。当听到“我知道有个人，他.......”这些话时，问问自己，将这一种个人经验报告作为证据，会满意吗？

注意对研究证据的选择性解释。喝酒是否会导致攻击性行为？我的报告显示，有证据表明两者有“显而易见”的联系，或者说饮酒与攻击性“相关”。例如，很多暴力犯罪的罪犯都有饮酒史。但朗（Lang）和他的同事的实验又说明了什么？有证据表明饮酒导致攻击性行为吗？其它因素，如性别、年龄、或者意愿等，是否也与饮酒和攻击性行为有关呢？

不要过分简化。人类的很多行为都是遗传与环境影响复杂的交互作用的产物。同样，思考这样一个问题：心理治疗对那些心理疾病患者是否有效？宽泛的回答这个问题——简单地说“是”或“不是”——也许过于简单。更值得去问的问题是，

使用哪些心理治疗方法，对谁进行的治疗，或对哪种问题最有效？

不要过分泛化。考虑这句话，没有人可以通过潜心研究动物而了解人类的一切。事实这是一个简单的是或否的问题吗？是不是通过对动物的研究我们也能得到关于人类的某种信息呢？仅通过对人类的研究，你又更可能了解哪些事情呢？

将批判性思维运用于生活的各个领域。一种怀疑的态度和一种对证据的渴求，并不仅仅只是在学术界有用，在生活的每个领域中，他都是有价值的。当电视广告轰炸你时，要敢于怀疑；当政治目标席卷你时，要敢于怀疑；当在超市的招贴小报，看见最新的封面上报道猫王和UFO时，要敢于怀疑。多少次你听到“研究表明......”？也许这些说服是可信的，但问问你自己：是谁在进行这些研究？这些从事研究的科学家是中立的吗，还是他们对某些结构过于偏爱？

心理学家观察行为，进行研究，或是向患者建议如何提高生活质量时，他们遵循的就是这些原则。也许这些原则也会帮助你提高自己的生活质量。

请教LISREL 问题

接上一篇知识抽取-实体及关系抽取。

事件是 促使事情状态和关系改变的条件 [Dong et.al., 2010]。目前已存在的知识资源（如维基百科等） 所描述实体及实体间的 关系大多是静态的 ，而事件能描述 粒度更大的、动态的、 结构化的知识 ，是现有知识资源的重要补充。

与[关系抽取]相比，事件抽取同样需要从文本中 抽取 predicate 和对应的 arguments ，但不同的是，关系抽取的问题是 binary 的，且两个 arguments 通常都会在同一个句子中出现，而事件抽取的难点在于，有 多个 arguments 和 modifiers *，可能会分布在多个句子中，且有些 arguments 不是必须的，这使得 bootstrapping/distant learning/coreference 都变得非常困难。

整体而言，事件抽取的任务可以分两大类：

本文的重点在于事件识别与抽取。首先看一下相关的核心概念：

直观上来看，可以把事件抽取的任务理解成从文本中 找到特定类别的事件 ，然后进行填表的过程。

严肃些看下事件识别和抽取的任务定义：

也就是说，事件抽取任务最基础的部分包括：

当然还有一些其他的子任务包括事件属性标注、事件共指消解等。

事件抽取大多是分阶段进行，通常由 trigger classifier 开始，如果有 trigger， 把 trigger 以及它的上下文作为特征进行分类 判断事件类型，再进行下一步的 argument classifier ，对句子中的 每个 entity mention 进行分类 ，判断是否是 argument，如果是， 判定它的角色 。

MUCs 最开始，事件抽取的系统都是 基于人工编写的规则，基于语法树或者正则表达式 ，如 CIRCUS (Lehnert 1991), RAPIER (Califf & Mooney 1997), SRV (Freitag 1998), AutoSlog (Riloff 1993), LIEP (Huffman 1995), PALKA (Kim & Moldovan 1995), CRYSTAL (Soderland et al. 1995), HASTEN (Krupka 1995) 等等，后来，慢慢的有了监督学习的模型，在 ACE 的阶段，大多数系统都是基于监督学习了，但由于标注一致性的问题，系统的效果普遍较差，ACE 事件抽取只举行了一次，在 2005 年。

下面先来看一下基于模板的抽取方法，基本都是通过 句法（syntactic） 和 语义约束（semantic constraints） 来进行识别。

在早期，模板创建过程通常从一个大的标注集开始，模板的产生 完全基于人工标注语料 ，学习效果高度依赖于 人工标注质量 。

人工标注耗时耗力，且存在一致性问题，而弱监督方法不需要对语料进行完全标注，只需 人工对语料进行一定的预分类或者制定种子模板 ，由机器根据 预分类语料或种子模板自动进行模式学习 。

基于模式匹配的方法在 特定领域中性能较好 ，知识表示简洁，便于理解和后续应用，但对于语言、领域和文档形式都有不同程度的依赖， 覆盖度和可移植性较差 。

模式匹配的方法中， 模板准确性 是影响整个方法性能的重要因素。在实际应用中，模式匹配方法应用非常广泛，主要特点是 高准确率低召回率 ，要提高召回率，一是要建立更完整的模板库，二是可以用半监督的方法来建 trigger 字典。

建立在统计模型基础上，事件抽取方法可以分为 pipeline 和 joint model 两大类。

将事件抽取任务转化为 多阶段的分类问题 （管道抽取），需要顺序执行下面的分类器：

分类器可以用 MaxEnt, SVM。重点还是在于提取和集成有区分性的特征，包括 **句子级信息 **和 篇章级信息 。

句子级信息：与候选词相关的 词法特征、上下文特征、实体特征、句法特征、语言学特征 等，如：

。

篇章级特征：

跨文档利用全局信息。对于一个句子级的抽取结果不仅要考虑当前的置信度，还要考虑与待抽取文本相关的文本对它的影响，以及全局信息如事件与话题的关系，事件与事件的共现信息等，主要工作有：

早期大部分的研究都是基于 Pipeline 方法，然而它的问题也很明显：

又分为 Joint Inference 和 Joint Modeling 两种。

Joint Inference 。

使用集成学习的思路，将各模型通过 整体优化目标整合起来 ，可以通过 整数规划 等方法进行优化。

Joint Modeling (Structured) 。

又可以称为基于结构的方法，将事件结构看作依存树，抽取任务 相应转化为依存树结构预测问题 ，触发词识别和元素抽取可以 同时完成 ，共享隐层特征，使用搜索进行求解，避免了误差传播导致的性能下降，另外，全局特征也可以从整体的结构中学习得到，从而使用全局的信息来提升局部的预测。相关工作有：

尽管 Li 等人的联合系统优势明显，但在未见词和特征上缺乏泛化， 人工提取的特征集是离散表达 ，能力有限。

几种方法的 trigger 和 argument 抽取结果，可以看出，实体之间协同消歧对效果提升非常明显。

上面的方法在特征提取过程中还是会依赖依存分析、句法分析、词性标注等传统的外部 NLP 工具，还是会造成误差积累，另外有些语言和领域并没有这类处理工具，加之特征也需要人工设定，2015 年起基于深度学习的事件抽取方法逐渐成为研究热点，相比于传统机器学习，深度学习方法优势明显：

Event Extraction via Dynamic Multi-Pooling Convolutional Neural Networks Yubo Chen et. al., ACL 2015 。

自然语言处理中，传统 CNN 使用的最大池化对一个 feature map 只能得到一个最大值，这对事件抽取并不适用，因为事件抽取中一个句子中可能会包含多个事件，一个 argument candidate 在不同的 trigger 下也会扮演不同的角色，传统的最大池化只保留“最重要”的信息，而丢失的信息会导致 multiple-event sentence 下的事件漏分。DMCNN 使用 动态多池化卷积 能实现对 一个句子中不同部分的最大值获取 ，以保留更多有价值的信息，逻辑和 PCNN 相似。

DMCNN 作者把事件抽取看做两个阶段的多分类任务，第一步是 触发词分类（trigger classification） ，利用 DMCNN 对句子中每个词进行分类，判断是否是触发词，如果句子中存在触发词，执行第二步 论元分类（argument classification） ，同样使用 DMCNN，给 trigger 分配 arguments，同时匹配 arguments 到 role，以第二个任务为例介绍一下过程。

。

主要包括四个部分，以 argument classification 为例：

Trigger classification 阶段：

DMCNN的表现：

DMCNN 的效果是突破性的，但分两个阶段的预测 仍有误差传递的问题 ，也没有利用好 trigger 和 argument 之间的依赖关系 。

JRNN: Joint Event Extraction via Recurrent Neural Networks, ACL 2016 。

Nguyen et.al., 2016 通过 RNN 用联合方法解决时间抽取的问题，继承了 Li (2013) 和 Chen (2015) 的优点，并克服了它们的一些缺陷。

有监督的方法需要大量的标注样本，人工标注耗时耗力，还存在一致性的问题，因此 弱监督方法也是事件抽取的一个重要分支 。

Chen 等提出利用部分高质量的标注语料训练分类器，然后利用初步训练好的分类器判断未标注的数据，选取 高置信度的分类样本作为训练样本 ，通过迭代自动扩充训练样本[Chen and Ji, 2009]。Liao 等在相关文档中使用自训练的（Self-Training）的半监督学习方法扩展标注语料，并利用全局推理的方法考虑样例的多样性进而完成事件抽取；进一步提出同时针对词汇和句子两个粒度训练最大熵分类器，并用协同训练（Co-training）的方法扩展标注数据，进而对分类器进行更充分的训练[Liao and Grishman, 2011a; 2011b]。

而目前，弱监督/训练数据生成方面比较流行的方向有 利用外部资源，通过远程监督，以及跨语料迁移的方法 。

外部资源

Leveraging FrameNet to Improve Automatic Event Detection, ACL2016 。

FrameNet 是语言学家定义及标注的语义框架资源，采用层级的组织结构，有1000+框架、1000+词法单元、150000+标注例句。在结构上，FrameNet 和事件抽取有着很高的相似性，一个框架由一个词法单元和若干框架元素组成，一个事件有触发词和若干事件角色组成。另外，FrameNet 中很多 frame 其实也能够表示某些事件，如。

。

因此，Liu 等 利用 ACE 语料训练的分类器去判定 FrameNet 中句子的事件类别 ，再利用全局推断将 FrameNet 的语义框架和 ACE 中的事件类别进行映射 ，进而利用 FrameNet 中人工标注的事件样例扩展训练数据以提升事件检测性能 [Liu et.al., 2016b]。

Automatically Labeled Data Generation for Large Scale Event Extraction, ACL2017 。

Yubo Chen 提出运用结构化的知识库来以及远程监督的方法来自动生成大规模事件语料。

当把关系抽取中常用的远程监督方法用到事件抽取中时，会发现有下面两个问题，一是 现有事件知识库（如 Freebase）中缺乏触发词信息 ，如上图，在关系抽取中，我们可以用两个论元 Barack Obama, Michelle Obama 进行回标，但是在事件抽取中，marriage 这一事件类型在 Freebase 中被表示为 m.02nqglv，所以我们不能直接用事件类型和论元来进行回标，在用 DS 前， 必须先检测触发词 。

根据 DS 在 RE 中的应用，可以假设 如果一个句子中出现了所有的论元，那么这个句子就可以被作为是一个事件，句子中的动词就可以作为触发词 。然而 一个事件中的论元可能出现在多个句子中 ，如果用所有论元来进行句子的回标，那么能抽出的训练数据就非常少了，所以应该 对论元进行排序，选择有代表性的论元进行回标 。

整个流程如下，首先对 Freebase 中的核心论元进行检测，根据 角色显著性（role saliency） 、 事件相关性（ event relevance） 和 核心率（key rate） 对论元进行优先级排序，接着利用所有的核心论元去 Wikipeida 中回标，根据 触发率（trigger rate） 、 触发词频率（ trigger candidate frequency） 、 触发词事件频率（trigger event type frequency） 来进行触发词检测，这一阶段得到的触发词表中只有动词，缺少名词，也存在噪声，于是再利用 FrameNet 过滤动词性触发词中的噪声，同时扩展名词性触发词，最后利用 Soft Distant Supervision 来自动生成标注数据。

还有方法如 Karthik Narasimhan et al., EMNLP 2016 ，从网络获取同一事件的不同报道，再使用强化学习方法，做信息融合的决策（互补信息的融合、冗余信息的选择）。

跨语料迁移 。

由于目前中文事件抽取缺少公认语料，很多学者尝试利用现有大量的 高质量英文标注语料辅助中文事件抽取 。Chen 等首次提出该想法并利用跨语言协同训练的 Bootstrap 方法进行事件抽取[Chen and Ji, 2009]。Ji 提出基于中英文单语事件抽取系统和基于并行语料两种构建跨语言同义谓词集合的方法辅助进行中文事件抽取[Ji, 2009]，Zhu 等利用机器翻译同时扩大中文和英文训练语料，联合利用两种语料进行事件抽取[Zhu et.al., 2014]。Hsi 等联合利用符号特征和分布式特征的方法，利用英文事件语料提升中文事件抽取的性能[Hsi et.al., 2016]。

Event Detection via Gated Multilingual Attention Mechanism, AAAI2018 。

Motivation：

所以文章提出了两种 attention 机制， 一是利用多语言一致性 ，分别对每种语言进行单语语境的注意力计算，对每个候选触发词，对其上下文进行注意力机制，注意力权重表示句子中不同单词对预测事件类型的重要性，二是 利用互补信息 ，用 gated cross-lingual attention 来模拟其他语言的可信度，gate 来控制目标语言流向源语言的信息，集成多语言的信息。

目前事件抽取的相关研究大部分是面向英文文本，中文文本的工作才刚起步，一方面，中文的自身特点（需要分词、缺少时态和形态的变换）有一定挑战，另一方面，数据集上也缺乏统一、公认的语料资源和相关评测。尽管如此，近年来中文事件抽取在公开评测、领域扩展及上述的跨语料迁移方面也都取得了一些进展。

公开评测方面，除了在模型方面的创新[Chen and Ng, 2012;Li et.al., 2012a;2013b]，在中文语言特性的利用方面，Li 等通过中文词语的形态结构、同义词等信息捕获更多的未知触发词，进而解决中文事件抽取面临的分词错误和训练数据稀疏等问题； 进一步细分中文事件触发词内部的组合语义（复合、附加和转化），进而提高系统的性能[Li et.al., 2012b]。Ding 等利用聚类的方法自动生成新事件类型的语料， 在抽取过程中特别地考虑了待抽取文本的 HowNet 相似度[Ding et.al., 2013]。

特定领域方面，国内很多机构均面向实际应用展开特定领域的事件抽取研究， 覆盖突发灾难、金融、军事、体育、音乐等多个领域。例如，Zhou 等针对金融领域事件中的收购、分红和贷款三个典型事件，提出自动构建抽取规则集的方法进行中文金融领域事件抽取 [Zhou, 2003]；Liang 等利用事件框架的归纳和继承特性实现对灾难事件的抽取[Liang and Wu, 2006]。

其他方向的一些 Paper:。

特征表示：

– Argument Attention: Exploiting Argument Information to Improve Event Detection via Supervised Attention Mechanisms (ACL2017)多事件抽取：

– HBTNGMA: Collective Event Detection via a Hierarchical and Bias Tagging Networks with GatedMulti-level Attention (EMNLP-2018)。

篇章级事件抽取：

– DCFEE: A Document-level Chinese Financial Event Extraction System based on Automatically LabeledTraining Data (ACL 2018)。

事件关系抽取：

– ATT-ERNN: Attention-based Event Relevance Model for Stock Price Movement Prediction (CCKS-2017 Best Paper Award)。

– MLNN: Event Coreference Resolution via Multi-loss Neural Network without Arguments （CCKS-2018）

主流方法包括基于相似度聚类和基于概率统计两类。在这不多做介绍。以后有时间再补充。

请高手帮忙啊。看不懂，把下面每段的意思说一下吧。还有一些没见过的函数

LISREL for Windows的系统需求?。

LISREL for Windows需要Windows 95, Windows 98, Windows-ME, Windows 2000 或 Windows XP.。

如何才能知道我正在使用的LISREL的版本?。

使用Help菜单下的About LISREL选项来打开About LISREL对话框.。

为什么我的语法和/或输出文件是空的?。

这可能是由于在软件安装好后直接使用的关系,建议重新启动Windows,然后再试一下.。

这有可能发生在当完整的文件名的长度超过192个字符.。

怎样我才能获得最新版本的LISREL for Windows?。

从我们网站下载最新的补丁文件,把它保存到LISREL for Windows的安装目录下.。

使用Windows开始菜单的运行选项从LISREL安装目录下运行补丁文件.。

如何测试我的安装是否正确?

使用File菜单的Open选项来打开Open对话框。

浏览到LISREL for Windows安装目录下的LSEX子目录下的 EX1.LS8文件。

点击Open按钮来为EX1.LS8打开文本编辑器窗口。

点击工具栏上的Run LISREL来为EX1.PTH打开PTH窗口。

为什么我应该使用LISREL for Windows?。

尽管LISREL 8.8 for Windows主要是用于样本协方差矩阵的结构方程建模的,但LISREL for Windows包括,不仅限,下列独特特征:。

用于复杂测量数据的统计分析方法。

用于带遗漏值数据的统计分析方法。

用于截断变量的统计分析方法

用于序数和分类变量的统计分析方法 。

用于相关矩阵的统计分析方法

多层结构方程建模

多层线性和非线性建模

Formal Inference-based Recursive Modeling (FIRM)。

探索性因子分析

两阶段最小平方估计

潜变量计分

因子计分

正态计分

LISREL for Windows包含哪些应用程序?。

PRELIS是一个32位应用程序,用于转换数据,计算moment矩阵,计算渐进协方差矩阵,估算遗漏数据,计算因子计分,执行回归分析,执行探索性因子分析.。

LISREL是一个32位应用程序,用于结构方程建模和多层SEM.。

MULTILEV是一个32位应用程序,用于多层线性和非线性建模.。

CATFIRM是一个32位应用程序,用于分类数据的Formal Inference-based Recursive Modeling(FIRM)。

CONFIRM是一个32位应用程序,用于连续数据的Formal Inference-based Recursive Modeling(FIRM)。

SURVEYGLIM从简单随机合复杂测量设计得到的数据拟合广义线性模型(GLIMS).。

LISWIN32是一个32位应用程序,允许交互执行(界面)LISREL for Windows的6个32位应用程序.。

应该使用哪种评估方法?

如果数据是连续的,并且近似符合多元正态分布,则推荐使用极大似然(ML)方法.。

如果数据是连续的,并且近似不符合多元正态分布,并且样本大小不大,那么推荐稳健极大似然方法.这个方法需要估计样本变量合协方差的渐进协方差矩阵.。

如果数据是序数的,分类的,或混合的,那么推荐采用Polychoric相关矩阵的对角权重最小二乘方(DWLS)方法.这个方法需要估计样本相关性的渐进协方差矩阵.。

跪求一个BL合集 【白字姑爷整理】100个分类大合集 的密码

这个应该是单链表插入

//字符串录入函数

void inputs(char * prompt,char *s,unsigned count)。

char p[255];。

do

{

printf(prompt);//提示输入信息。

gets(p);//获取屏幕字符串。

if(strlen(p)>count)//如果字符串长度超过规定长度。

printf("\t输入越界了!\n");//提示越界。

}while(strlen(p)>count);//当输入的字符串长度小于规定长度时,跳出循环,代表录入完毕。

strcpy(s,p);//复制字符串到s中。

//链表节点输入

struct address * put_in(struct address * i,struct address * head)。

struct address * pbefore ,* p;。

if(head==NULL)//如果是第一个节点,修改表头指向新节点。

{

head=i;。

head->next=NULL;//表头后续指向空。

return head;//返回表头。

}

p=head;//如果表头非空,复制给p。

pbefore=NULL;。

while(p)//遍历各个节点,直到结尾。

{

if(strcmp(p->name,i->name)<0)//如果节点name小于新节点name。

{。

pbefore=p;//存储p的前趋。

p=p->next;//p指向后续。

}。

else。

{。

if(p==head)//如果插入节点位置在表头,更改表头。

{。

i->next=head;。

head=i;。

return head;。

}。

pbefore->next=i;//将新节点插入pbefore和p之间。

i->next=p;。

return head;。

}。

}

pbefore->next=i;//如果是末尾,将末尾链接新节点。

i->next=NULL;。

return head;。

原文地址：http://www.qianchusai.com/inference-70.html