医学人文关怀应关怀什么和怎样关怀--美学视角下的人文关怀建设

从生命本体论立意出发,在对我国当下的医学人文现状进行了系统总结的基础上,以问题意识为线索,对医学人文关怀的哲学命题给予了反思,在重新界定医学人文关怀概念内涵的基础上,运用美学认识论与方法论,系统地阐述了医学人文关怀的"应然"、"是然"和"建设"的内容及其三者间的递进关系,在理论与实践上提出了建设性新观点.     

马王堆汉墓帛书《五十二病方》“■■然”释义商榷

《长沙马王堆汉墓简帛集成》对《五十二病方·痿入中者》中"■■然"解释为"形容火焰炽烈",此解释不妥,值得商榷。今从文字训诂学和中医药学两方面来分别进行论证,认为"■■然"当训释为"火焰缓而小貌"。     

认知元反应理论--IRT直接应用于多值记分题

0-1记分测验的项目反应理论已经得到广泛的研究和应用.但是,许多测验都含有多值记分题,所以需要将IRT推广到此类情况.从认知理论的观点看,每个0-1记分题(项目)和多值记分题的每个测试点都可同样地看成一个由若干知识点构成的集合,称之为认知元;根据认知元之间存在的关系可以确定各受测者对各试题作出特定答案的概率,从而不需要引用任何其它假设就可将IRT的方法直接应用于含多值记分题的测验.本文应用这一理论分析了某些测验样本,结果表明是可行的.     

日本净土思想的源流及其法然上人的《选择集》

日本的净土信仰是随着汉译经典的传入而流传到日本的,在日本的古代和中世广为流行,十二世纪后期由法然上人创立了净土宗,从而使日本佛教走向平民,并完成了日本本土化的过程。净土思想的兴起以及法然净土宗的诞生,究其缘由无疑是来自于末法思想在当时时代的流行。法然提出了专修念佛的思想,并将《无量寿经》、《观无量寿经》、《阿弥陀经》视为净土宗所依据的根本经典,他所撰写的《选择本愿念佛集》是该宗派的思想理论的集大成之著作。     

基于增长模型的非随机缺失数据处理:选择模型和极大似然方法

对含有非随机缺失数据的潜变量增长模型,为了考察基于不同假设的缺失数据处理方法:极大似然(ML)方法与DiggleKenward选择模型的优劣,通过Monte Carlo模拟研究,比较两种方法对模型中增长参数估计精度及其标准误估计的差异,并考虑样本量、非随机缺失比例和随机缺失比例的影响。结果表明,符合前提假设的Diggle-Kenward选择模型的参数估计精度普遍高于ML方法;对于标准误估计值,ML方法存在一定程度的低估,得到的置信区间覆盖比率也明显低于Diggle-Kenward选择模型。     

科学哲学与批判-创新思维

Since the 16-17 centuries scientific methods have been playing a key role in the development of the scientific-technological age.There are three types of general scientific method,i.e.,induction-confirmation method,deduction-falsification method,and abduction-explanation method.They correspond to logical positivism,falsificationism,and historicism in philosophy of science respectively.Based on the reasoning procedure of these three scientific methods,and the development of the three schools of thought,this ...     

潜变量交互效应结构方程：分布分析方法

对于潜变量交互效应结构方程分析,目前应用较多的是乘积指标方法.分布分析方法国内还罕有应用,包括潜调节结构方程（LMS）方法和准极大似然（QML）方法.该研究以乘积指标方法的模型假设为参照,介绍了分布分析方法的模型假设.并简要叙述了LMS方法及其Mplus程序,QML方法及其QML程序.综合现有研究结果,总结出LMS和QML方法、无约束和约束方法的特点,从中可以看出各方法的优缺点,推荐了不同条件下合适的分析方法.     

简帛《五行》与《论语》“贤贤易色”新释北大核心CSSCI

简帛《五行》提出心是耳、目、鼻、口、手、足等身体器官的主宰,见知贤人时心有所动,则颜色莫敢不有所动,强调面对君子道和贤人时需要"色然",否则便是不聪不圣和不明不智。《五行》的逻辑结构和思想内涵,为揭示《论语》"贤贤易色"的语义提供了根据,故该句应解为"尊尚贤人,改易颜色"。     

两种新的计算机化自适应测验在线标定方法

在线标定技术由于具有诸多优点而被广泛应用于计算机化自适应测验(CAT)的新题标定。Method A是想法最直接、算法最简单的CAT在线标定方法, 但它具有明显的理论缺陷--在标定过程中将能力估计值视为能力真值。将全功能极大似然估计方法(FFMLE)与“利用充分性结果”估计方法(ECSE)的误差校正思路融入Method A (新方法分别记为FFMLE-Method A和ECSE-Method A), 从理论上对能力估计误差进行校正, 进而克服Method A的标定缺陷。模拟研究的结果表明：(1)在大多数实验条件下, 两种新方法较Method A总体上可以改进标定精度, 且在测验长度为10的短测验上的改进幅度最大; (2)当CAT测验长度较短或中等(10或20题)时, 两种新方法的表现与性能最优的MEM已非常接近。当测验长度较长(30题)时, ECSE-Method A的总体表现最好、优于MEM; (3)样本量越大, 各种方法的标定精度越高。     

LGM模型中缺失数据处理方法的比较:ML方法与Diggle-Kenward选择模型

追踪研究中缺失数据十分常见。本文通过Monte Carlo模拟研究,考察基于不同前提假设的Diggle-Kenward选择模型和ML方法对增长参数估计精度的差异,并考虑样本量、缺失比例、目标变量分布形态以及不同缺失机制的影响。结果表明:(1)缺失机制对基于MAR的ML方法有较大的影响,在MNAR缺失机制下,基于MAR的ML方法对LGM模型中截距均值和斜率均值的估计不具有稳健性。(2)DiggleKenward选择模型更容易受到目标变量分布偏态程度的影响,样本量与偏态程度存在交互作用,样本量较大时,偏态程度的影响会减弱。而ML方法仅在MNAR机制下轻微受到偏态程度的影响。