渐进性抑或颠覆性：金融集聚的创新激励效应研究

基于2009—2019年中国省际面板数据,采用SYS-GMM模型、中介效应模型、空间计量模型和面板门槛模型等方法,系统考察金融集聚的创新激励效应。结果显示,金融集聚发展能够有效提升颠覆性创新和渐进性创新,且这种提升效应因地理区位和集聚程度的不同而存在异质特征。通过中介效应模型进行机制检验后发现,金融集聚可以通过缓解资本要素扭曲和劳动力要素扭曲两种途径间接促进技术创新,且在金融集聚对颠覆性创新的激励效应中发挥主要作用的是资本要素扭曲缓解,而在对渐进性创新的激励效应中劳动力要素扭曲缓解是主要路径。在空间特征方面,由于金融集聚存在明显的虹吸效应,对颠覆性和渐进性创新的提升作用只在本地区体现,并存在负向的空间溢出效应抑制邻近地区技术创新。在非线性特征方面,金融集聚对颠覆性创新和渐进性创新的影响程度和方向都存在着明显的差异,在经济发展和产权结构门槛的约束下,金融集聚发展的驱动功效呈现边际递增态势;但只有在适度的政府引导和对外开放条件下,金融集聚才能更好地发挥创新激励效应,提升技术创新水平。     

信息检索与信息抽取差异性探析

通过发表论文、会议组织、出入口、关键技术、发展趋势等方面对信息检索与信息抽取进行比较分析，发现信息抽取与信息检索有着质的不同。信息抽取不是信息检索的发展方向，但信息抽取技术可以很好地应用于信息检索系统。分析两者之间的差异有利于研究的深入，理清它们的关系有利于共同促进。     

我国单项运动协会依托项目管理中心发挥实体作用的研究

我国的运动项目管理体制改革已进入新阶段,成立的２０个运动项目管理中心,对开展的８５个运动项目实施管理。笔者认为,根据我国的公有制为主体,多种经济成分并存的国情,我国的单项运动协会应当走“半社团半政府”性质的发展之路,管理中心应成为联结体育政府部门与单项协会的纽带;单项协会则要依托项目管理中心来发挥实体作用。     

中国主要煤炭基地生态环境脆弱度判定与优化措施研究

本研究基于我国陆地国土空间的生态环境脆弱度分异与我国主要煤炭矿区进行空间拟合,在整个国土空间范围上判别我国主要煤炭基地所处生态环境脆弱程度,揭示不同煤炭基地相关生态环境因子约束类型,提出针对不同类型煤炭基地生态约束类型的绿色开采措施与我国未来煤炭基地生产调控政策。     

风景园林专业空间信息技术教学初探

本论文的目的是探讨如何在风景园林专业建设空间信息技术教学体系。本文阐述了"数字地球"和3S技术的内涵,分析了空间信息技术发展对风景园林专业技能培养所产生的影响。在风景园林专业建立空间信息技术教学体系的目的在于:加强学生对空间数据的理解,使学生掌握获取数据的能力与空间分析方法,以及一定的数据库技能。本论文提出在教学内容上应围绕规划设计课程,设置三个模块:基础模块、数据处理模块和空间分析模块,各个模块应与相应的规划设计课程相组合,且自成一体。本论文最后提出在风景园林专业建设空间信息技术教学体系的难点与解决措施。     

污染溢出与区域环境技术创新

从污染溢出的视角,解释了地区间污染减排的策略性行为,推导了污染溢出的空间Tobit设定。然后,利用中国31个省级环境专利数据,在控制技术溢出的情况下,分离出污染减排对环境技术创新的溢出效应。估计结果显示,污染减排对环境技术创新不仅有显著的正的直接作用,而且还存在不显著的负溢出效应,综合这两方面的影响使污染减排具有不显著的正影响,表明忽略污染溢出有可能夸大污染减排在技术创新中的作用。进而探讨相应的政策意义。     

基于圆壳区域伸缩的空间知识表示

区域连接演算RCC(region connection calculs)是定性空间推理的重要理论之一,但由于缺乏必要的定量工具,RCC只能描述空间拓扑关系,而不能描述距离、方向等其他空间关系。在RCC理论的基础上,引入区域圆壳概念对区域伸缩加以度量,得出一种以区域为单位的形式化度量方法,来描述区域间的距离关系、方向关系,从而增强RCC的空间关系表示能力,拓展了RCC理论的适用范围。     

从“实体性”到“建构性”——试论当代《大学语文》教材的定位及其价值追求

《大学语文》教材与文化是一对关系颇为密切的价值共同体,是一种天然的关系性存在。当代《大学语文》教材的定位是由"实体性"、"关系性"到"建构性"的转变。《大学语文》教材与文化之间的逻辑理路不是决定与被决定的关系,而是一种双向建构性关系。这种双向建构性关系是文化不断地建构教材,教材不断地建构文化,教材与文化呈整合方向发展,其价值追求是提高大学生主体的品格素质与人文精神。     

莫言小说实体隐喻初探

莫言不仅继承、发展了中国文学的历史传统,而且借鉴了西方作家、学者的创作与研究成果。他在小说中大量使用富有强烈代入感的实体隐喻尤其是身体隐喻,以及雅俗相济的口语化语言,准确而形象地反映了特定时代的社会风貌和个人感受,使其产生了震撼人心的艺术感染力,具有重要的文化意义。     

AdaSL: An Unsupervised Domain Adaptation framework for Arabic multi-dialectal Sequence Labeling

Dialectal Arabic (DA) refers to varieties of everyday spoken languages in the Arab world. These dialects differ according to the country and region of the speaker, and their textual content is constantly growing with the rise of social media networks and web blogs. Although research on Natural Language Processing (NLP) on standard Arabic, namely Modern Standard Arabic (MSA), has witnessed remarkable progress, research efforts on DA are rather limited. This is due to numerous challenges, such as the scarcity of labeled data as well as the nature and structure of DA. While some recent works have reached decent results on several DA sentence classification tasks, other complex tasks, such as sequence labeling, still suffer from weak performances when it comes to DA varieties with either a limited amount of labeled data or unlabeled data only. Besides, it has been shown that zero-shot transfer learning from models trained on MSA does not perform well on DA. In this paper, we introduce AdaSL, a new unsupervised domain adaptation framework for Arabic multi-dialectal sequence labeling, leveraging unlabeled DA data, labeled MSA data, and existing multilingual and Arabic Pre-trained Language Models (PLMs). The proposed framework relies on four key components: (1) domain adaptive fine-tuning of multilingual/MSA language models on unlabeled DA data, (2) sub-word embedding pooling, (3) iterative self-training on unlabeled DA data, and (4) iterative DA and MSA distribution alignment. We evaluate our framework on multi-dialectal Named Entity Recognition (NER) and Part-of-Speech (POS) tagging tasks.The overall results show that the zero-shot transfer learning, using our proposed framework, boosts the performance of the multilingual PLMs by 40.87% in macro-F1 score for the NER task, while it boosts the accuracy by 6.95% for the POS tagging task. For the Arabic PLMs, our proposed framework increases performance by 16.18% macro-F1 for the NER task and 2.22% accuracy for the POS tagging task, and thus, achieving new state-of-the-art zero-shot transfer learning performance for Arabic multi-dialectal sequence labeling.