民族学与灾后重建——震灾中的羌族:简况与建议

编者按:汶川大地震发生后,全国掀起抗震救灾热潮.这次地震灾区,系多民族聚居地方.灾后重建,引起举国关注.如何保护传承各民族文化习俗,是一个特别需要关注的问题.台湾著名人类学家和历史学家王明珂先生过去十多年曾在汶川、茂县、北川等地羌族村寨作田野研究,(本刊上期曾刊出对王明珂先生的著作<华夏边缘--历史记忆与族群认同>的专题书评)震后他非常关心当地羌民安危,迅速制作了当地地图放在网上,供救援参考.http://www.sina.com.cn<21世纪经济报道>于2008年6月7日刊出王明珂先生特约稿<震灾中的羌族:简况与建议>,介绍羌族的历史文化特性,并对灾后重建提出个人建议.我们征得作者同意,特转载于我刊"特约稿"专栏,以飨读者,以表本刊彰显人类学家声音的宗旨.     

排斥与融合——四川白马藏族入赘婚的研究

四川平武白马藏族的入赘婚在当地又被称为"抱儿子",有两种形式--寡妇的入赘婚以及初婚女性的入赘婚,并且都以族际通婚为主要特征.本文通过对二者产生的动因的深入分析,指出它们是由于族群内部和族群外部差异性、选择性的认同而产生的一种典型的个案.     

仪式展演与实践记忆——以一个布依族村寨的"送宁"仪式为例

铜鼓是布依族的神器礼器.布依族送、迎铜鼓的"送宁"仪式,在具体实践展演过程中,产生重大的社会一文化作用:一方面使民族文化在实践记忆中得以唤醒重现和传播继承,另一方面增强了族群的社会记忆和自我认同.实践记忆的情境性和在场性特点,在民族文化的保存再现和传承播布等方面都具有重要的文化意义.     

广义岭选择指数(英文)

把岭回归的原理和方法应用到家畜性状的选择指数中 ,提出了广义岭选择指数 ,理论和实践证明的这一指数形式在一定意义上优于传统的选择指数。也可以说 ,它在一定意义上丰富了选择指数的理论 ,但不能代替经典的选择指数     

英汉动物名词翻译的不等值

本文从中西方文化差异的角度,通过大量实例,分析了动物名词翻译中的不等值现象。旨在提醒英语界同仁,在掌握词汇的同时,应多了解中西方不同的文化背景,翻译出脍炙人口的作品。     

提高高等师范院校教育实习质量问题的探讨

〕目前,我国高等师范院校的教育实习存在着质量低的状况。为此,本文提出了改善高师教育实习现状,提高高师教育实习质量的三条措施：（１）适当延长并合理分配教育实习时间;（２）完善教育实习的指导教师队伍,加强教育实习的指导力量;（３）建立固定的教育实习基地,并以此为依托,健全教育实习的行政监督管理体系     

综合选择指数中的变量选择

本文首次从变量选择的角度把ＡＩＣ准则应用于动物性状的综合选择指数之中,从而获得了最佳的综合选择指数。     

科尔沁细毛羊脑桥主要神经核团的形态和细胞构筑研究

对５只健康成年科尔沁细毛羊脑桥主要神经核团的形态和细胞构筑进行了研究,结果表明：蜗神经背核长４６ｍｍ,细胞密度１９５０个／ｍｍ３,主要由小型椭圆、梭形和多突起细胞构成,细胞排列无明显区域性;蜗神经腹侧核长４８ｍｍ,细胞密度为３０４１个／ｍｍ３;面神经核长６７ｍｍ,细胞密度８５５个／ｍｍ３;多为大型多极细胞,可分为５个亚核,其中背内侧亚核、外侧亚核、背侧亚核较发达,中间亚核较小     

Feature selection based on distance correlation: a filter algorithm

Feature selection (FS) is one of the most powerful techniques to cope with the curse of dimensionality. In the study, a new filter approach to feature selection based on distance correlation is presented (DCFS, for short), which keeps the model-free advantage without any pre-specified parameters. Our method consists of two steps: hard step (forward selection) and soft step (backward selection). In the hard step, two types of associations, between univariate feature and the classes and between group feature and the classes, are involved to pick out the most relevant features with respect to the target classes. Due to the strict screening condition in the first step, some of the useful features are likely removed. Therefore, in the soft step, a feature-relationship gain (like feature score) based on the distance correlation is introduced, which is concerned with five kinds of associations. We sort the feature gain values and implement the backward selection procedure until the errors stop declining. The simulation results show that our method becomes more competitive on several datasets compared with some of the representative feature selection methods based on several classification models.