Search This Blog

Friday, March 20, 2020

தமிழர்களிடம் சாதி இருந்ததில்லை | மா.சோ. விக்டர்,மொழி ஆய்வாளர்



 மொழி ஆய்வுத்துறையின் முக்கிய பிரிவுகளில் முதன்மையானது சொல்லாய்வுத் துறை. ஒரு சொல்லின் வேர்ச் சொல்லைக் கண்டறிந்து விளக்கிக்கூறும் சொல்லாய்வு மூலம் ஒரு மொழியின் செவ்வியல் தன்மையை உணர முடியும். சொல்லாய்வுத் துறையில் தன்னிகரற்றுத் திகழ்ந்து தமிழுக்கு அணி சேர்த்தவர் பாவாணர். பாவாணருக்குப் பிறகு மொழி ஆய்வை மிக நுட்பமாக முன்னெடுத்துச் சென்றவர்கள் சிலரே. அவர்களில் தனித்துவமான கோணத்தில் தமிழின் தொன்மையை ஆய்ந்து வருபவர் மொழியறிஞர் .சோ. விக்டர். இடைநிலை ஆசிரியராகப் பணியாற்றி விருப்ப ஓய்வு பெற்ற இவரது தமிழறிவு மிகப் பரந்தது என்றால் மிகையில்லை.

அரியலூர் மாவட்டம், வரதராஜன்பேட்டையைச் சேர்ந்தவர் விக்டர். இவரது முதல் ஆய்வு நூலான "எபிரேயத்தின் தாய்மொழி தமிழே' நுட்பமான கவனம் பெற்றது. இந்த நூலைத் தொடர்ந்து தற்போது வெளிவந்திருக்கும் பத்தொன்பது தமிழாய்வு நூல்கள், தமிழ்மொழியின் தொன்மையை ஆணித்தரமான தரவுகளோடு முன்வைக்கின்றன. இவரது ஆய்வின் தெளிந்த குரல், தமிழ்மொழி தனது தாக்கத்தை உலக மொழிகளில் செலுத்தியிருப்பதை நிறுவுகிறது.

""எனது சொந்த ஊர், இன்றைய அரியலூர் மாவட்டத்தின், ஆண்டிமடம் அருகேயுள்ள வரதராஜன்பேட்டை. ஒரு எளிய கத்தோலிக்க கிறிஸ்துவக் குடும்பத்தில் பிறந்து வளர்ந்தவன். எனது பெற்றோர் கடலூரில் உள்ள தூய வளனார் உயர்நிலைப்பள்ளியில் என்னைச் சேர்த்து விட்டார்கள். முதல் வகுப்பு தொடங்கி பள்ளி இறுதி வகுப்பாகிய பத்தாம் வகுப்பு வரை அங்கேயே பயின்றேன். அது மிகச்சிறந்த பள்ளி. அந்தப் பள்ளியில் எனக்குத் தமிழாசிரியராக இருந்தவர்- புலவர் நற்குணம் என்ற தமிழறிஞர். எனக்குள் தமிழுணர்வை விதைத்தவர் அவர்தான். இன்னொரு பக்கம் நான் பள்ளியிறுதி வகுப்பு படிக்கிற காலகட்டத்தில் திராவிட இயக்கத்தின் எழுச்சி என்னை வெகுவாகப் பாதித்தது. அண்ணாவின் பேச்சும், அவர் எழுத்தும் என்னைக் கவர்ந்தன. அவர் மொழிநடை அந்தக் காலகட்டத்தின் புதுமை, எழுச்சி ஆகியவற்றின் கலவையாக இருந்தது. அண்ணா வைத் தொடர்ந்து கலைஞரின் பேச்சும் எழுத்தும் என்னைக் கவர்ந்தன. பதினைந்து வயது இளைஞனாக, முப்பது கிலோ மீட்டர் தூரம் மிதிவண்டியில் சென்று, சிதம்பரத்தில் அவரது பேச்சைக் கேட்கச் சென்றேன். தமிழ் இலக்கியம் குறித்து அவர் பேசியவை என்னை சங்க இலக்கியம் வாசிக்க வைத்தது. அத்தனை சிறிய வயதில், நமது சங்க இலக்கியத்தில் தமிழரின் வாழ்வும் வரலாறும் இருப்பதை எண்ணி ஆச்சரியப்பட்டேன்.
       இன்னொரு பக்கம் எனது பள்ளியில் நடத்தப்பட்ட மறைக் கல்வி வகுப்புகளில் பைபிள் வாசிப்பு என்பது மிக முக்கியமான ஒரு பகுதியாக இருந்தது. அந்த வயதில் பைபிளின் மொழியும், அதில் கூறப்படும் வரலாறுகளும், அந்த வரலாறுகள் நிகழ்ந்த தாகக் கூறப்படும் நாடுகளும் பற்றிய ஒரு சித்திரம் எனக்குள் எழுந்தது. பின்னர் பைபிளில் குறிப்பிடப்படும் இடங்கள் இன்றைய உலக வரைபடத்தில் எந்த நாடுகளில் இருக்கின்றன, அங்கே வசிக்கும் மக்கள் யார், பேசும் மொழி, அவர்களது வழிபாடு, பண்பாடு பற்றி நூலகங்களில் தேடித் தேடிப் படிக்க ஆரம்பித் தேன். பத்தாம் வகுப்பு முடித்த கையோடு வேலைக்குச் செல்ல வேண்டிய குடும்பச் சூழல் இருந்ததால், திருச்சியில் இடைநிலை ஆசிரியர் பயிற்சியில் சேர்ந்து இரண் டாண்டுகள் பயின்று தொடக்கப்பள்ளி ஆசிரியர் பணியில் சேர்ந்தேன். மழைக்குக்கூட கல்லூரியில் ஒதுங்க முடியாத வாழ்க்கைச் சூழல். ஆனால் ஆசிரியர் பணி அமைதியாகச் சென்று கொண்டிருந் தது. எனக்கு ஒரு வகையில் அது சாதகமாக அமைந்து விட்டது.
             தமிழ் இலக்கியங்களை ஒன்றுவிடாமல் வாசிக்கத் தொடங்கினேன். இந்த நேரத்தில் பெருஞ்சித்திரனார் நடத்தி வந்த தனித்தமிழ் இதழ்கள் எனக்குக் கிடைத்தன. அவர் வெளியிட்ட "தென்மொழி' இதழின் தொடர் வாசகனாக மாறினேன். அந்த இதழில்தான் தேவநேயப் பாவாணர் எனக்கு அறிமுகமானார். "தென்மொழி'யில் அவரது கட்டுரைகள் அவ்வப்போது வெளிவரும். அந்த கட்டுரைகள் எனக்குள் மிகப்பெரிய தாக்கத்தை ஏற்படுத்தின. இறுதியாக பாவாணர் எழுதிய இரண்டு நூல்கள் பற்றி "தென் மொழி' மூலம் அறிந்து, அவற்றை வாங்கிப் படித்தேன். அந்த இரண்டு புத்தகங்களும் எனது வாழ்க்கையைப் புரட்டிப் போட்டன என்றுதான் சொல்ல வேண்டும். "தமிழ் வரலாறு', "தமிழர் வரலாறு' ஆகிய இரண்டு புத்தகங்கள்தான் அவை. இவற்றைப் படித்து முடித்த தும், பாவாணரின் அத்தனை ஆய்வு நூல்களையும் தேடிப்பிடித்துப் படித்தேன். கடற்கோளால் அழிந்து போன குமரிக்கண்டம் குறித்தும், தமிழர்கள் உலகெங்கும் சென்று பரவி வாழ்ந்தது குறித்தும் தனது ஆய்வில் கோடிட்டுக் காட்டுகிறார். அதே நேரம் தமிழ் மொழியின் சொற்தொகுதியில் எவை தமிழ்ச் சொற்கள், எவை பிறமொழிச் சொற்கள், அவற்றை எப்படிக் கண்டறிவது என்று தமிழுக்கு ஒரு புதிய பரிணாமத்தை- புதிய கண்ணோட் டத்தை பாவாணர்தான் முதலில் வகுத்தார். விரிவான மொழி ஆய்வுக்கு வித்திட்டவர் பாவாணர்தான். பாவாணர் வழியில் நான் சொல்லாய்வைத் தொடங்கக் காரணமாக அமைந்தது பைபிளின் பழைய ஏற்பாடு நூலில் உள்ள "ஊர்' என்ற சொல். ஆபிரகாம் குடியேறி வாழ்ந்த பகுதியின் பெயர், எபிரேய மொழி எனப்படும் ஹீப்ரு மொழியிலும் "ஊர்' என்றே வழங்கப்பட்டு வந்திருக்கிறது. ஊர் என்பது தூய தமிழ்ச் சொல்லாயிற்றே! இது எப்படி அங்கே போனது என்ற கேள்வியோடு ஆய்வில் இறங்கினேன். இப்படித் தான் கடந்த இருபது ஆண்டுகளாக சொல்லாய்விலும் மொழி யாய்விலும் எனது வாழ்வைச் செலுத்தி வருகிறேன்.''

No scientific evidence to show that coronavirus spreads through eating chicken, mutton and seafood, FSSAI chief G S G Ayyangar

"It is basically an animal virus. Let us leave it to scientists to figure out how it has been transmitted...however, ours is a tropical country and once the temperature crosses 35-36 degrees Celsius, no virus will survive.

"There is a misconception that coronavirus will spread through chicken, mutton and seafood. There is nothing like that. It is scientifically not proven.
"I am a scientist, I will not buy this argument," Ayyangar told reporters


Read more at:
https://economictimes.indiatimes.com/news/politics-and-nation/coronavirus-does-not-spread-through-chicken-mutton-seafood-fssai-chief/articleshow/74492046.cms?utm_source=contentofinterest&utm_medium=text&utm_campaign=cppst

What Model Srilanka going to use to combat COVID19


The current behavior is that if a country crosses the 100 mark on COVID- 19, the diffusion of cases to reach the 1,000 mark takes five to seven days as per behavioral studies done. This calculation can vary on the culture of the country and density of the population.

China took four days to cross the 1,000 mark after reaching 100, Italy six days, Iran five days, Spain seven days, South Korea six days, Germany and US eight days, which is why the medical fraternity was pressurizing the Government to go for a lockdown so that we keep the numbers below 100. Especially given the ‘family-oriented’ culture that exists in Sri Lanka and the ageing population, the ramifications can be heavy.

However, the President was strongly of the view that location specific curfews and ‘identify and isolate’ is the strategy that will work in Sri Lanka. He went on to state that with this strategy, if implemented with the support of the general public, the COVID-19 curve can be flattened
The Financial Times


This repository contains the source code, models, and example usage of the COVID-19 Vulnerability Index (CV19 Index). The CV19 Index is a predictive model that identifies people who are likely to have a heightened vulnerability to severe complications from COVID-19 (commonly referred to as “The Coronavirus”). The CV19 Index is intended to help hospitals, federal / state / local public health agencies and other healthcare organizations in their work to identify, plan for, respond to, and reduce the impact of COVID-19 in their communities.

Versions of the CV19 Index

There are 3 different versions of the CV19 Index. Each is a different predictive model for the CV19 Index. The models represent different tradeoffs between ease of implementation and overall accuracy. A full description of the creation of these models is available in the accompanying paper, "Building a COVID-19 Vulnerability Index" (http://cv19index.com).
The 3 models are:
  • Simple Linear - A simple linear logistic regression model that uses only 14 variables. An implementation of this model is included in this package. This model had a 0.731 ROC AUC on our test set.
  • Open Source ML - An XGBoost model, packaged with this repository, that uses Age, Gender, and 500+ features defined from the CCSR categorization of diagnosis codes. This model had a 0.810 ROC AUC on our test set.
  • Free Full - An XGBoost model that fully utilizes all the data available in Medicare claims, along with geographically linked public and Social Determinants of Health data. This model provides the highest accuracy of the 3 CV19 Indexes but requires additional linked data and transformations that preclude a straightforward open-source implementation. ClosedLoop is making a free, hosted version of this model available to healthcare organizations. For more information, see http://cv19index.com.
    Step 1 — Making a Labeled Data Set
    Data on COVID-19 hospitalizations does not yet exist. While data begins to emerge, we can look at the affected populations and events that serve as proxies for the real event. Given that the disease’s worst outcomes are concentrated on the elderly, we can focus on medicare billing data. Instead of predicting COVID-19 hospitalizations, we can instead predict proxy medical events, specifically hospitalizations due to respiratory infections. Examples include Pneumonia, Influenza, and Acute bronchitis. We identify these labels by parsing medical billing data and searching for specific ICD-10 codes that describe these types of events. All predictions are made on a specific day. From a particular day, we look back in time 15 months for features. We exclude any events happening within three months of the prediction date, due to the lag in medical claims data reporting. Any diagnoses within the last year become the features we use in all of our models.
    Step 2 — Models
    There are hosts of model considerations that need to be made with these kinds of projects. Ultimately, we wanted these models to balance being as effective as possible, and still accessible to healthcare data scientists as quickly as possible. One of the reasons for choosing the data that we used is because medicare claims data is widely available to healthcare data scientists. If your organization has access to additional data sources, you may observe performance increases by incorporating such information. Balancing those considerations led us to create 3 models based on the ease of adoption and model effectiveness.
    The first, is a logistic regression model using a small number of features. At ClosedLoop, we use the standard Python data science stack. The motivation for a very simple model is that it can be ported to environments like R or SAS without having to read or write a line of python. At low alert rates, the model performs close to parity with the more sophisticated versions of the model. The aforementioned white paper has all of the weights for the limited feature set, so it can be ported over by hand.

We evaluate the model using a full train/test split. The models are tested on 369,865 individuals. We express model performance using the standard ROC curves, as well as the following metrics:
Model ROC AUC Sensitivity as 3% Alert Rate Sensitivity as 5% Alert Rate
Logistic Regression .731 .214 .314
XGBoost, Diagnosis History + Age .810 .234 .324
XGBoost, Full Features .810 .251 .336