| 1. |
-
Omodernt : Människor och tankar i förmodern tid
- 2009. - 1
-
Editorial collection (other academic/artistic)abstract
- Kan vi idag ha något att lära av de klassiska, medeltida och tidigmoderna kulturerna? Många skulle svara ja på den frågan, men det finns också de som skulle beskriva det förmoderna som irrationellt, traditionsbundet, kollektivistiskt och framför allt otidsenligt. Att behålla kontakten med det förmoderna behöver inte betyda att man bekräftar ett "arv" från det förflutna eller ägnar sig åt återbruk av äldre tiders idéer. Bättre är att omvandla, utveckla eller avveckla tidigare tankar eller kritik kring sociala och estetiska mönster. I antologin Omodernt - Människor och tankar i förmodern tid medverkar elva forskare som representerar en rad humanistiska discipliner. Deras texter berättar på mångfacetterade sätt om idéer och föreställningar, språk och texter från antiken till 1600-talet som är relevanta än idag. De argumenterar för vikten av kunskap om de perioder som ligger före vår moderna tid och ger konkreta exempel på forskning i den andan. Det viktiga är att uppmuntra kommunikation över seklen, viljan att vidga sina egna associationer kring mänskligt handlande, att fördjupa sina insikter om hur människor i historien försökt att hantera sin existentiella och samhälleliga situation. Genom sådana perspektivbyten kan vi i bästa fall få klargörande idéer även om vår egen tid.
|
|
| 2. |
- Kokkinakis, Dimitrios, 1965
(author)
-
Shallow Features for Differentiating Disease-Treatment Relations using Supervised Learning, a pilot study
- 2009
-
In: Proceedings of the 12th International Conference TSD (Text, Speech and Dialogue). Springer Verlag, LNCS/LNAI series.. ; 5729, s. 395-402
-
Conference paper (other academic/artistic)abstract
- Clinical narratives provide an information rich, nearly unexplored corpus of evidential knowledge that is considered as a challenge for practitioners in the language technology field, particularly because of the nature of the texts (excessive use of terminology, abbreviations, orthographic term variation), the significant opportunities for clinical research that such material can provide and the potentially broad impact that clinical findings may have in every day life. It is therefore recognized that the capability to automatically extract key concepts and their relationships from such data will allow systems to properly understand the content and knowledge embedded in the free text which can be of great value for applications such as information extraction and question & answering. This paper gives a brief presentation of such textual data and its semantic annotation, and discuss the set of semantic relations that can be observed between diseases and treatments in the sample. The problem is then designed as a machine learning task in which the relations are tried to be learned in a supervised fashion, using pre-annotated data. The challenges designing the problem and empirical results are presented.
|
|
