[時事英文] Alzheimer’s Prediction May Be Found in Writing Tests
沒想到英文寫作可以用來預測阿爾茨海默症。
受試者當中應該沒有第二語言學習者吧。
音檔: https://bit.ly/3lcBTxr
★★★★★★★★★★★★
Alzheimer’s Prediction May Be Found in Writing Tests
阿爾茨海默症可以預測嗎?寫作測試也許提供了答案
Is it possible to predict who will develop Alzheimer’s disease simply by looking at writing patterns years before there are symptoms? According to a new study by IBM researchers, the answer is yes. And, they and others say that Alzheimer’s is just the beginning. People with a wide variety of neurological illnesses have distinctive language patterns that, investigators suspect, may serve as early warning signs of their diseases.
• Alzheimer’s disease 阿爾茨海默症
• symptoms 癥狀、症狀
• according to a new study 根據一個新研究
• a wide variety of 多種~的
• neurological illnesses 神經系統疾病
• distinctive language patterns 獨特的語言模式
• an early warning sign of ~的早期預警訊號
有沒有可能在出現癥狀之前的幾年裡,僅僅通過觀察書寫模式來預測誰會患上阿爾茨海默症? 根據IBM研究人員的一項新研究,答案是肯定的。而且,他們和其他一些研究人員表示,阿爾茨海默症的預測只是開始。研究人員懷疑,患有多種神經系統疾病的人都有著獨特的語言模式,可能是他們疾病的早期預警信號。
★★★★★★★★★★★★
The researchers examined the subjects’ word usage with an artificial intelligence program that looked for subtle differences in language. It identified one group of subjects who were more repetitive in their word usage at that earlier time when all of them were cognitively normal. These subjects also made errors, such as spelling words wrongly or inappropriately capitalizing them, and they used telegraphic language, meaning language that has a simple grammatical structure and is missing subjects and words like “the,” “is” and “are.”
• word usage 詞彙使用情況
• subtle differences 細微差別
• artificial intelligence 人工智慧
• repetitive 重複的
• telegraphic language* 電報式語言
• simple grammatical structure 簡單的語法結構
研究人員利用一個人工智慧程序,檢查受試者的詞彙使用情況,尋找語言上的細微差別。他們鑒定出一組受試者,在早期所有人的認知能力都正常的情況下,他們的用詞重複情況更為嚴重。這些測試對象還會犯一些錯誤,比如拼寫錯誤或者大寫使用不當,而且會使用電報式語言——語法結構簡單,漏掉主語以及「the」、「is」和「are」這樣的詞。
*telegraphic language is speech during the two-word stage of language acquisition in children, which is laconic and efficient but lack of function words, tense and plural endings on nouns.
★★★★★★★★★★★★
The members of that group turned out to be the people who developed Alzheimer’s disease. The A.I. program predicted, with 75 percent accuracy, who would get Alzheimer’s disease, according to results published recently in The Lancet journal EClinicalMedicine. “We had no prior assumption that word usage would show anything,” said Ajay Royyuru, vice president of health care and life sciences research at IBM Thomas J. Watson Research Center in Yorktown Heights, N.Y., where the A.I. analysis was done.
• develop a disease 患上疾病
• with % accuracy 準確率達~%
• no prior assumption 沒有先想到、先假設到
• usage (詞語或語言的)用法
• A.I. analysis 人工智慧分析
這群人後來都患上了阿爾茨海默症。根據《柳葉刀》(The Lancet)子刊《臨床醫學》(EClinicalMedicine)最近發表的研究結果,該人工智慧能夠預測誰將患上阿爾茨海默症,準確率達75%。「我們之前沒有想到用詞情況還有這個用途,」紐約州約克敦高地的IBM托馬斯·沃森研究中心(IBM Thomas J. Watson Research Center)醫療保健和生命科學研究副總裁阿賈伊·羅伊尤魯(Ajay Royyuru)說。人工智慧分析就是在該中心進行的。
★★★★★★★★★★★★
文章來自《紐約時報》: https://nyti.ms/3pXsI5l
圖片來源: http://bit.ly/3qsX3sb
predict用法 在 浩爾譯世界 Facebook 的最讚貼文
【每日國際選讀:5大抗疫好用單字】
週日,來回顧學過的好用英文
開啟「接收通知」和「搶先看」每天吸收雙語時事新知
回顧我們在紐西蘭抗疫學到的用法
➡️ https://reurl.cc/5lD5Dv
1️⃣ excursion 短程旅行、郊遊
essential 必要的、不可或缺的、至關重要的
solitary 獨自的、單一的
Excursions had to be essential, and solitary.
非必要不得外出,而且得獨自行動。
2️⃣ vulnerable 易受傷的、脆弱的
flare-up 爆發、驟燃
It makes it vulnerable to future flare-ups, if it relaxes current restrictions on travel.
若放鬆目前的旅遊限制,則容易受未來疫情爆發的影響。
3️⃣ standstill 靜止、停頓
The lockdown brought the country to a virtual standstill.
封鎖使全國完全陷入停滯。
✍️ 常用 virtual standstill 來形容,是因為不可能真的完全不動,但看似幾乎沒動。像是 Traffic came to a virtual standstill for more than an hour. 交通整整停止了一個多小時。
4️⃣ dire 嚴重的、危急的
5️⃣ contract 名詞是合約(重音在前),動詞是收縮、感染(重音在後)
The most dire forecasts predict New Zealand’s economy could contract by as much as 10%
最嚴重的預測為紐國經濟萎縮10%。
很高興你回顧到這邊
現在加入每日國際選讀計畫
即可解鎖完整語音導讀版!
——
❓Quiz: How do you pronounce contract when it’s a verb?
🙋🏻♀🙋🏼♀
A. stress on the first syllable 重音放第一音節
B. stress on the second syllable 重音放第二音節
C. whatever 隨便
-
【每日商業英文計畫,熱烈招生中!】
華爾街日報訂閱超值方案 📰
專屬 #臉書社團,浩爾 #每日語音導讀
「留言+1」,就送你 #優惠碼 及 #導讀試聽!
predict用法 在 10 資料探勘| 資料科學與R語言 的推薦與評價
在R中,最基本的簡單線性迴歸分析為 lm() ,使用方法為 lm(formula,data=資料名稱) ... 用Test set來評估模型好不好,使用predict函數,將測試組資料放入預測模型中, ... ... <看更多>
predict用法 在 這是一個最簡短、最基本的Keras 使用範例。 的推薦與評價
... 學習過程的,optimizer 可以輸入一個optimizer instance 或直接輸入該optimizer class 的名字的字串。loss 也是一樣的用法。 ... Y_pred = model.predict(X_test). ... <看更多>
predict用法 在 [轉錄]我常用到的stata命令(六) - 看板NCHU-AE98 的推薦與評價
(續)
stata強大的功能體現在它可以方便地回歸微觀資料。而回歸也是微觀實證中最重要的方
法。下面就開始講stata中和回歸有關的常用命令。
基本回歸方法有兩種:線性設定下的最小二乘法(OLS)和兩階段最小二乘法(2SLS)。
他們在實證分析中應用廣泛,十分詳細地掌握這兩種方法是實證研究的基本要求。講解的
順序是先依次介紹如何在stata中實現OLS和2SLS估計,然後再分析如何在實際問題中選擇
合理的方法。後一部分受Joshua Angrist教授的影響很大,因此,在後面引用他的思想時
會詳細注明。
假設你已經清楚地瞭解待估計方程的形式,那麼回歸命令的基本格式就十分簡單明瞭:
reg (被解釋變數) (解釋變數1) (解釋變數2)……
方程中的相應變數可以簡單地放在reg的後面。執行上面的命令後,stata會出現兩個表格
,分別報告一些方差分析和回歸的參數估計結果。我們最關心的是參數的大小和顯著性,
這在第二個表格中列出。表格的最左邊一欄列出了解釋變數,在它的右邊是相應的係數估
計值,然後依次是估計值的標準誤,t比率,原假設為係數的真實值等於零時錯誤地拒絕
該假設的概率p值,以及該估計值的置信度為(1-5%)的置信區間。
我看到回歸結果的第一眼是瞄著最關心的解釋變數的符號、大小和顯著性。看看解釋變數
影響的方向和大小是不是符合理論的預期,是不是合乎常識,以及這個估計值是不是顯著
。標記顯著性的統計量是t統計量,在經典假設下,它服從t分佈。t分佈和標準正態分佈
形狀很相似,但它的“尾巴”要比標準正態分佈的“肥”一些,在樣本量比較小的時候尤
其明顯,當樣本量趨於無窮時,t分佈的極限分佈是標準正態分佈。大家對標準正態分佈
的分佈函數上一些關鍵點比較熟悉,比如,1.96是97.5%的關鍵點,1.64是95%的關鍵點,
所以,我們希望知道什麼時候可以安全地使用標準正態分佈。下表列出了一些小自由度下
二者的差異(Beyer 1987 “CRC Standard Mathematical Tables, 28th ed.”;
Goulden 1956 “Methods of Statistical Analysis, 2nd ed.”)。可以看出,自由度
超過一百時,二者的差別就已經相當小了。所以,當樣本量的數量級是100個或以上時,
可以直接認為t比率服從標準正態分佈,並以此做檢驗。
90% 95% 97.5% 99.5%
1 3.07768 6.31375 12.7062 63.6567
2 1.88562 2.91999 4.30265 9.92484
3 1.63774 2.35336 3.18245 5.84091
4 1.53321 2.13185 2.77645 4.60409
5 1.47588 2.01505 2.57058 4.03214
10 1.37218 1.81246 2.22814 3.16927
30 1.31042 1.69726 2.04227 2.75000
100 1.29007 1.66023 1.98397 2.62589
1.28156 1.64487 1.95999 2.57588
讀者讀到這裡可能會笑話我了,stata不是已經報告了t檢驗的p值和置信區間了嗎?為什
麼不直接察看這些結果呢?原因在於實證文獻往往只報告參數的估計值和標準誤,需要讀
者自己將估計值和標準誤相除,計算顯著性。而且當你在寫實證文章時,也應該報告參數
的估計值和標準誤。這比報告估計值和它的p值更規範。
伴隨回歸命令的一個重要命令是predict。回歸結束後,使用它可以得到和回歸相關的一
些關鍵統計量。語法如下:
predict (新變數名), (統計量名)
這裡的統計量名是一些選項。常用的選項有:xb(回歸的擬合值。這是預設選項,即不加
任何選項時,predict賦予新變數前一個回歸的擬合值。);residuals(殘差);
leverage(杠杆值)。下面具一個例子來解釋predict的用法。
有時樣本中的一個特別的觀察值會顯著地改變回歸結果。這樣的觀察值可以籠統地分為三
類:outliers,leverage和influence。Outliers是針對殘差而言的,指那些回歸中殘差
很大的觀察;leverage是針對解釋變數而言的,是解釋變數相對其平均值偏裡很大的觀察
;influence是針對估計結果而言的。如果去掉這個觀察會明顯地改變估計值,那麼這個
觀察就是一個influence。Influence可以看作outliers和leverage共同作用的結果。異常
觀察可能是由於樣本的特性,也可能是因為錄入錯誤。總之,我們希望找到它們。
回歸後的predict命令可以發現這些異常觀察(命令來自UCLA的“Regression with Stata
”第二章)。發現outliers,leverage和influence的命令如下:
predict rs, rstudent
predict l, leverage
predict csd, cooksd
predict df, dfits
這些統計量都有相應的關鍵值。當統計量(或其絕對值)超過關鍵值時就應該仔細檢查相
應的觀察,確認是否屬於錄入錯誤。rstudent是用來發現outliers的統計量,其關鍵值是
2,2.5和3。leverage 是用來發現leverage 的統計量,其關鍵值是(2k+2)/n,其中k解釋
變數的個數,n是樣本量。Cooksd和DFITS是探測influence的統計量。它們都綜合了殘差
和杠杆的資訊,而且二者非常類似,只是單位不同,因而給出的結果也差不多。Cooksd的
關鍵值是4/n。DFITS的關鍵值是2*sqrt(k/n)。
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.120.95.44
... <看更多>