关键词： 素质   高校学生   社会热点   思政课   道德  

摘要： 在高校教育体系中,思政课占据着重要位置,其作用在于帮助学生形成正确的思想价值观念,促进学生完善人格的形成。在当前信息高速传播的背景下,社会热点频繁出现,对学生的思想以及行为造成了深刻的影响,而将社会热点融入思政课教学,可以带领学生更深入地学习,促进思政教育质量的提升,实现人才培养的目标。思政课视角下高校学生学习社会热点的意义塑造正确的价值观。社会热点涵盖道德、素质等不同的价值维度,覆盖了多个领域。利用社会热点可以带领学生在课程中深入剖析事件,从中学习到正确的思想价值观念。面对复杂的社会现象,形成的正确价值判断可以帮助学生在后续遇到类似的问题时做出正确合理的选择,更贴合时代需求以及社会需要。

关键词： 农村小学   英语教学   单元主题意义探究   项目化学习   教学设计与应用  

摘要： 新课标提出要推进综合学习,探索大单元教学,开展主题化、项目式学习等综合性教学活动,促进学生举一反三、融会贯通,加强知识间内在关联,促进知识结构化。用单元主题意义探究作理论框架,结合项目式学习理念,针对小学英语教学中资源匮乏、学生参与度低等问题,以教科版三年级下册Unit 7 School Rules为例,设计“确定项目主题、制定项目方案、实施项目活动、开展项目评价”的单元主题项目化教学模式。项目化学习在提升学生的英语学习兴趣、应用能力、综合素质、跨学科思维及合作意识等方面均具有重要价值,为推动小学英语高质量发展提供新路径。

关键词： 有意义学习理论   食用菌栽培学   平菇栽培   教学探索  

摘要： “食用菌栽培学”课程具有很强的实践性和应用性,特别注重理论和实际的结合。根据延安大学生物技术专业培养方案的要求,尽可能以试验教学来加强学生对食用菌实际生产的了解,促进理论知识在食用菌栽培生产实践中的应用。以平菇不同品种栽培比较综合性试验教学为例,探索将有意义学习理论融入“食用菌栽培学”课程试验教学中,通过对试验进程中主导角色的转换,创新教学模式,引导学生利用已有知识储备发挥自我导向作用,操纵综合试验准备、设计、执行及结果分析的全过程,激发学生学习的动力和创造性,提升学生对食用菌栽培技术的综合运用能力,教学探索有利于创新人才培养。

关键词： 幼儿园   深度游戏   有意义学习  

摘要： 教师的支持是确保幼儿在深度游戏中实现有意义学习与成长的关键因素。文章旨在探讨在深度游戏中实现幼儿有意义学习的支持策略,在明确了有意义学习的特征、游戏教学中有意义学习的条件、游戏情境下教师支持中的问题的基础上,提出了加强环境引导、聚焦幼儿行为与情绪、注重主体激励等支持策略,以期推进幼儿教育质量的提高。

关键词： 意义主义学习理论   维度驾驭力   教育智慧   神经教育学   文化适应性   学习生态   意义生成   嵌根教育  

摘要： 文章提出意义主义学习理论(MLT),旨在应对人工智能时代教育的三重异化困境。基于“学习即变化,变化即意义,教育即促变”(3CEP)的核心命题,MLT创立了“维度驾驭力”教育新范式,通过3LS三元结构整合神经可塑性机制与文化适应性设计,为解决AI时代“意义贫困”提供了系统方案。MLT构建了包含五大构件的理论体系:3LS三元学习结构揭示“对象—关系—意构”的动态耦合机制;10DMS十维意义空间建立多维评估框架;6CS六变催化策略提供动态干预方法;8QM叩问学习法形成思维发展路径。研究融合现象学、神经教育学与跨文化研究的多元视角,证实MLT既具备解释学习神经机制(如γ/θ波耦合)的科学精确性,又保持对文化差异的敏感性(东西方脑活动差异达29%)。理论创新体现在:首次实现神经可塑性解释与文化适应框架的统一;提出“带根的生长”教育模式;为智能时代的教学实践提供系统指导。MLT的深层价值在于守护教育作为意义生成场的本质功能,其“道法术器势”的理论架构,既延续了中国“知行合一”的教育智慧传统,又为全球教育变革提供了新范式。

关键词： 航天器追逃   轨道博弈   机动决策   可达域   层次强化学习  

摘要： 针对复杂空间博弈场景中,脉冲推力驱动的航天器追逃博弈决策实时性受限和传统奖励函数较难适应远距离和高动态对抗学习环境的问题,本文对航天器博弈对抗的智能机动决策和燃料优化展开研究.首先建立轨道博弈动力学和机动约束模型;其次提出一种具有时间约束的航天器单脉冲可达域求解方法,并结合神经网络对轨道危险区进行量化拟合;进而基于分布式系统架构设计层次强化学习框架,采用PPO算法开展红蓝对抗学习训练;最后对所提机动策略进行验证.仿真结果表明,在二体动力学轨道博弈场景中,危险区策略可使平均燃料消耗降低33.81%,博弈策略较传统方法打靶率平均提升38.41%.

关键词： 连续学习   稀疏化   在线学习   参数掩码   计算效率  

摘要： 无边界在线连续学习是一种任务无关的自主高效机器学习方法，通过连续适应新数据和抑制遗忘来实现模型的动态更新。现有在线连续学习方法通常追求模型准确率而牺牲计算效率，这使得在高速数据流场景中，模型因训练速度滞后，难以对数据流的变化及时响应。针对以上问题，提出一种面向效率-性能协同优化的在线稀疏连续学习框架，通过构建双向稀疏自适应调控机制突破传统方法的瓶颈。首先，设计参数重要性度量的动态稀疏拓扑优化框架，融合参数敏感性分析，实现非结构化参数剪枝；其次，建立记忆-效率双目标优化模型，基于在线类别分布估计动态调节计算预算分配，实现计算资源的最优配置；最后，构建梯度解耦优化策略，采用梯度掩码方法实现新旧知识的双向优化，在加速模型更新的同时保持知识拓扑的完整性。在CIFAR-10、CIFAR-100和Mini-ImageNet基准测试中，所提方法展现出显著优势：在CIFAR-10数据集上，当内存容量为100时，相较于ER (Experience Replay)基线平均在线准确率（AOA）和测试准确率（TA）分别实现3.51%和5.00%的显著提升；在CIFAR-100环境中，AOA和TA指标分别获得2.59%与1.55%的改进；Mini-ImageNet测试中，关键指标提升幅度达3.52%和0.13%。可视化分析表明，所提框架在保持实时响应能力的同时，成功捕获了数据流中的潜在概念漂移模式。消融实验结果验证了各模块的协同增强效应，揭示了动态稀疏机制对连续学习本质矛盾的突破性解决路径。所提方法突破了传统方法在计算效率与模型性能间的权衡困境，为开放环境下的在线连续学习系统建立了新范式。

关键词： 数据流   主动学习   概念漂移   多重采样策略   深度神经网络  

摘要： 数据流的实时性、无限性及动态变化特性导致数据分布具有时变性，这种随时间持续变化的现象被称为概念漂移。为检测并适应概念漂移，传统方法通常假设所有样本标签已知，但真实场景下高昂的数据标记成本使得监督学习方法代价过大，因此，主动学习方法常用于解决标签稀缺的分类任务。然而在流式环境下，概念漂移及单一标注策略等因素通常会使主动学习方法面临采样偏差的问题。针对以上问题，提出一种基于概念漂移检测的多重主动学习方法(MALCD)。该方法设计了一种带有动态权重跳连接的在线深度神经网络模型，利用网络模型结合弱监督漂移检测方法检测概念漂移，并融入多重采样策略，在不同样本域采用差异化策略处理。这种将多重主动学习与概念漂移检测技术相结合的方法能够精准筛选不确定性高且数据类别多样的数据，高效规避冗余。在8个真实及人工数据集上的实验结果表明，MALCD的平均实时准确率相较于在线集成自适应分类方法 AC＿OE及弱监督漂移检测方法 WSCDD有明显提高，提升幅度约为1到4个百分点，说明该方法在漂移发生后能够快速学习新概念分布，提高模型的整体泛化性能。

关键词： 卧式离心泵   信号处理   机器学习方法   振动特征分析   故障预测  

摘要： 为探索南水北调中线工程(北京段)亦庄调节池工程亦庄1号泵站卧式离心泵的振动特征分析与故障预测,通过时域、频域和时频分析提取振动信号的关键特征。应用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和卷积神经网络(convolutional neural network,CNN)进行故障预测。通过信号处理与机器学习技术的融合,显著提高了卧式离心泵故障预测的准确性,为泵站运维提供了科学、有效的决策支持。未来研究方向应扩展数据集,增加异常工况下的数据,以提高故障诊断的准确性和及时性,定期评估和更新机器学习模型,集成最新算法和优化技术,应对复杂故障预测需求,同时适应泵站运营的动态变化。

关键词： 多准则决策   情境依赖行为   效用函数   偏好学习  

摘要： 在多准则决策分析中，为降低决策者的认知负担，可能会要求决策者提供关于参考方案的偏好信息，以学习决策者对方案评价的效用函数，这一问题称作偏好学习问题。本文针对多准则决策问题，提出了一种考虑决策者情境依赖决策行为的偏好学习方法。该方法首先通过构建优化模型检验决策者提供的偏好信息的一致性，进而判断重构决策者提供的偏好信息所需要的效用函数数量。在此基础上，本文遵循偏好学习的简约性原则构建优化模型，识别出一组互补的效用函数来重构决策者的偏好信息，并采用分类与回归树算法识别不同准则情境下决策者选择效用函数的规则。最后，本文以科研机构评估问题为例，通过算例分析、对比分析和仿真分析，验证了所提偏好学习方法的可行性和有效性。