消歧義的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

大疫時代必修的生命教育

為了解決消歧義的問題，作者SanjayGupta 這樣論述：

歐巴馬最屬意的衛生署長人選 白宮學者、CNN首席醫療記者 OpenBook年度生活書《大腦韌性》作者 桑賈伊．古普塔（Sanjay Gupta） 震聾發聵之作！   　　研究顯示，在我們有生之年，至少會再遭遇一場傳染病大流行， 　　那麼，從個人、社會到國家，應該從這次新冠疫情中學到什麼？   　　桑賈伊．古普塔是資歷長達二十餘年的CNN首席醫療記者，長期以來親臨全球重大災難現場，包括海地地震、日本海嘯，伊拉克、科威特和阿富汗戰事等，重要醫療事件更是無役不與，比如SARS與伊波拉病毒疫情、中東呼吸症候群疫情、炭疽病毒攻擊事件，都可見他站上第一線，撰文或邀請專家一

同為美國民眾解惑。由於報導內容專業、持平又深入淺出，深受美國民眾信賴，在新冠疫情爆發後，他的文章與節目也成了民眾了解相關事實的首選。   　　由於大流行病很可能每隔一段時間便捲土重來，古普塔以此次新冠疫情為鑑，為國家、社會乃至個人，整理出重要的因應之道。為此，他至今做了數千場訪談，對象包括華府決策要員、世界頂級公共衛生專家、流行病學相關領域知名學者、患者本人或家屬、私營單位主事者，以及與時間賽跑、迅速研發治療對策的科學家及其合作藥廠之高層等，從而得知許多獨家內幕。   　　此書前半部，檢討了疫情爆發後美國犯下的種種失誤，像是政治角力導致正確防疫政策推遲、質疑口罩與社交距離的效果

、輕忽無症狀感染、誤判新冠肺炎為老人病、太晚關閉公共場所等。此外古普塔還調查並回應了幾個重大疑慮，像是：全球疫情爆發源頭在哪？是否有人刻意釋出病毒？「疫苗猶豫」甚至「反疫苗運動」抱持什麼考量與論點？它們又錯在哪裡？作者以科研成果和他國經驗，建議了更為理想的作法。   　　由於長年直接與大眾溝通，古普塔的著作往往非常實用。本書後半部從這波疫情對人類社會造成的長期影響切入，關照民眾切身的難題，探討日後生活方式應如何調整：日常生活如何與病原共存、如何安排財務計畫、為何應預立危急時的醫療選擇、如何調適心態並培養心理韌性、怎麼為年老的父母安排居住環境、外出旅行要特別注意什麼，乃至長新冠患者日後要

怎麼維護健康……等等。 全書讓讀者在掌握真實資訊的同時，亦使自己的生命更具韌性、更具保障。（更詳盡介紹可參閱目錄引文）   各界好評   　　►「古普塔借鑑他在前線抵抗新冠肺炎的精彩報導，寫了這本充滿實用智慧的書，幫助我們在大流行病盛行的這個時代變得更有韌性。藉著近期吸取的經驗，這本帶著希望和樂觀的書為讀者在駕馭未來時提供了一個紮實的基礎。」——華特．艾薩克森（Walter Isaacson），《賈伯斯傳》與《破解基因碼的人》等暢銷書之作者   　　►「既像謀殺案推理小說，又是實用的生存指南，桑賈伊．古普塔醫生此書實屬傑作。在這本精彩的書中，桑賈伊向讀者揭發在疫情新聞中不

曾聽過的事（極少人有能耐這麼做），同時提供我們保持安全、並以前所未見的方式追求生命所需的日常工具。」——安迪．斯拉維特（Andy Slavitt），白宮新冠肺炎應對團隊前資深顧問   　　►「憑藉著特有的好奇心、同情心和謙卑，再結合大師級的說故事長才，古普塔醫生介紹了這場我們經歷過最嚴重的公共衛生災難決定性的歷史，不管是個人還是整個社會，如果想要變得更強大就必須讀這本書。」——溫麟衍醫生，前巴爾的摩衛生專員   　　►「口罩、肥皂、水、與人保持六英尺距離，再加上這本傑作，能讓我們在勢必得面對的下一場疫情中得以生存——也對我們剛經歷的這場疫情更加了解。新冠肺炎目前尚無治癒方法，但

這本書能讓你免受那些把世界搞得天翻地覆的錯誤訊息和假消息所累。」——史考特．伯恩斯（Scott Z. Burns），電影《全境擴散》編劇   　　►「桑賈伊．古普塔醫生的智慧，讓我得以在過去十八個月守護住家人。現在這本書將使我們更有把握，自己擁有面對接下來發生的事時應具備的資源和心態。」——法蘭西斯．福特．柯波拉（Francis Ford Coppola），五度奧斯卡金像獎最佳導演獎得主   　　►「這本書簡直是驚悚小說，我們暫時還不知道結局。這就是為什麼我們需要古普塔這位值得信賴、誠實且明智的嚮導，來告訴我們為何我們會走到這個地步，並幫助我們預見未來，以因應下一場大流行發生。

」——拉里．布萊恩特（Larry Brilliant）醫生，公共衛生碩士及大流行應對諮詢公司（Pandefense Advisory）執行長   　　►「如果有哪本關於新冠肺炎的書是「必讀的，毫無疑問就是這本。」——彼得．傑．霍特茲（Peter Jay Hotez），貝勒醫學院熱帶醫學院院長及教授   　　►「這本書對當前與未來的健康危機，做了充滿智慧且資訊完整的評估。」——《科克斯書評》   　　►「寫實，但是帶給人的感覺並非愁雲慘霧、黯淡無光，反倒是令人振奮的期許。」——《出版者週刊》  

消歧義進入發燒排行的影片

基於深度學習之維修文件生成方法

為了解決消歧義的問題，作者蘇瑋俊 這樣論述：

維修報告，在設備維護工程中是一個相當重要的維修指標。設備維護工程師根據異常狀況處置後，將處置步驟依序紀錄於維修報告中，不僅能提供無經驗的新進人員參考解決異常，也能當作後續維修的參考依據。由於維修報告通常為人工鍵入，因此造成兩個問題。第一，相同異常因為不同的處置人員輸入不同的異常項目類別，導致維修手法差異而降低維修效率。第二，由於沒有特定的報告格式以及除錯，而出現的錯誤詞彙與表示方式，造成在閱讀維修步驟時的理解困難以及認知差異。若能藉由過去的維修報告，自動產生語句用詞正確、步驟合乎維修邏輯順序、並具實用的維修報告，將能大幅提昇維修的效率與效能。因此，本研究提出一個應用深度學習於自然語言理解與生

成的維修報告生成方法，稱為CG，讓維修人員輸入機台錯誤訊息時，能獲得實用的維修步驟，亦即對應之維修報告，CG採用深度學習模型RoBERTa藉由訊息學習建立當機項目的類別，然後搭配訊息以GPT-2建立自動生成的有效維修報告。本論文以資深維修工程師評估CG與一般方法生成的維修報告之實用性。在評分一致性有0.84的水準下，整體表現CG比一般方法提昇3%的實用性。當訊息由單句構成時，CG優於一般方法7%；由多句構成的訊息時兩者的表現相當。當多句訊息中有錯字時，CG也優於一般方法5%。此外，在當機類別的實驗中，RoBERTa達到Micro-F1為0.83的水準，CG所產生的報告實用性也達到93.1的高分

。本研究結果顯示，CG是一個實用的維修報告生成方法。

人的行為：經濟學專論(上)(4版)

為了解決消歧義的問題，作者LudwigvonMises 這樣論述：

　　中華經濟研究院特約研究員 吳惠林 專文導讀 　　當今大多數大學裡，以經濟學為名所傳授的東西，實際上是在否定經濟學。 　　米塞斯——繼亞當·史密斯之後，最重要的經濟學家，其代表作《人的行為》被譽為意義最深遠的經濟學著作。他把經濟學納入社會哲學或行為通論的架構中來處理，與當代主流經濟學者所宗奉的凱因斯，把經濟學寄託於數學或統計學部門有所不同。這一差異，關乎他們個人學問造詣之深淺廣狹者，乃至關乎經濟學是否被確實了解者，其事小；關乎其影響於人類文明演化之分歧者，其事大。 　　經濟學絕不該遭到降格，關在教室和統計室裡，也絕不該留在少數人的圈子裡祕傳。它是人生和行為的哲學，關

係到每個人和每件事情。它是文明，和人之所以為人，必不可少的精髓。在此提到這個事實，並非在老王賣瓜、自賣自誇。今天把這個突出地位分派給經濟學的，不是經濟學家，而是所有的人們。 　　所有當今的政治議題，都涉及一般稱之為經濟問題的問題。在當前關於社會和政治事務的討論中，所有爭執都涉及行為學和經濟學的根本問題。每個人心裡都盤據著某些經濟學說。 　　和從前以為是哲學和神學研究主題的那些問題相比，哲學家和神學家現在對於經濟問題更感興趣。小說和戲劇現在也從某些經濟理論的角度處理所有人間世事，包括兩性關係。每個人都想到經濟學，不管他本人知不知道經濟學。在加入某個政黨時，以及在投下他的選票時，每位公民都必然

連帶地採取某個立場，看待一些基本的經濟理論。 　　(本書為上冊，收錄前17章，第18章至第39章收錄於下冊)  

透過句對消歧義以BERT建構之內文感知實體連結

為了解決消歧義的問題，作者胡建安 這樣論述：

知識庫被廣泛地使用作為儲存大量資訊的庫藏，其儲存資訊所描述之項目稱為實體。所謂實體連結，指的是將文件內文中提及的項目(簡稱提及)，與知識庫中相對應的實體配對連結。透過實體連結可提昇文本文意之理解，是問答系統以及知識推理等方法的基礎。傳統基於字典之實體連結方法，透過實體字典產生提及的候選實體後，根據出現頻率或名稱相似度決定連結，因無法呈現語意導致連結效果差強人意。表示學習之實體連結方法，透過類神經網路模型產生提及與實體之表示向量，因未充分考慮前後文而語意模糊，故仍有改進空間。內文感知實體連結方法，使用如長短期記憶模型與添加更多訓練資料，能進一步提升連結的準確度。不過，現有內文感知實體連

結方法中，提及或實體是只具有本身詞意的單一向量表示。在一個詞彙有多個詞意造成的詞彙歧義下，這種以詞意決定連結的方法仍可能有錯誤連結。此外，因人工標註或傳統方法，有時並未將可能的實體與提及連結，這種稱為失踪提及的問題，造成有效實體連結的大幅減少。 因此，本論文提出透過句對消歧義的內文感知實體連結方法(簡稱EL-SP)。用提及句與實體句兩句意形成的句對來避免詞彙歧義，改善現有的內文感知實體連結。主要是先將多種資訊組成兩種句子以構成句對，再透過BERT產生句對的嵌入向量。然後將固定個數的(提及、候選實體)句對嵌入向量輸入全連接網路，計算並配對得分最高之候選實體以達成實體連結。使用CoNLL-2

003資料集並與相關方法的實驗結果顯示，EL-SP與基於字典之方法相比，Micro F1分數由80.68提升至89.54；與其他知名的內文感知實體連結方法相比，Micro F1分數由88.91提升至89.54。此外，應用EL-SP方法將可連結之實體與失踪提及配對的實驗結果顯示，其Micro F1分數可達到79.69，可增加有效實體連結。