关键词： 小学数学   自主学习能力   教学策略   学习方法  

摘要： 在小学数学教育中,培养学生自主学习的能力是增强其数学素养与学习热情的重要途径。文章分析了现阶段小学数学教学中的若干问题,探讨了培养学生自主学习能力的途径,并提出了一系列切实可行的教学措施。通过激发学生自主学习兴趣、培养学生有效的学习方法等教师能显著提升学生的自主学习水平,进而推动学生全面成长。结合实践经验,文章阐述了以问题为引导、以探究为核心、以合作为依托的策略,致力为小学数学教学提供理论支撑与实践导向.

关键词： 初中语文教材   阅读综合实践   语用   学习功能  

摘要： 修订版统编初中语文教材阅读单元增设的“阅读综合实践”板块,着眼于语文课程学习的目标导向和效果导向,通过整合教材单元学习重点,设置基于真实语用情境的体验性、探究性综合实践任务,加强阅读活动与写作活动的互助相关,拓展、深化语感体验的阈限,以语用素养带动思维、审美、文化素养的综合协调发展。阅读综合实践任务具有提升自主探索实践能力、凸显实践活动体验性、建构师生学习共同体、展示并检测学习结果的学习功能,具体教学可依据学习功能和学情需要自主选择、灵活调整。

关键词： 二氧化碳浓度   机器学习   黄土高原   环境因子  

摘要： 二氧化碳（CO2）是主要的温室气体之一，空气中二氧化碳浓度的变化受到多种因素的影响。现在能连续观测地面空气二氧化碳浓度的站点依旧较少，但是常规气象数据容易观测，在给定地点如何用常规气象数据模拟地面空气二氧化碳浓度依旧缺乏研究。基于陕西省淳化县的和家山小流域的实测气象数据和二氧化碳浓度数据，分别采用不同位置的地面空气二氧化碳浓度或环境因子的组合驱动MLP、LSTM、Bi-LSTM和RF模型，评价了机器学习方法在黄土高原沟壑区典型站点模拟日尺度地面空气二氧化碳浓度的潜力。研究结果表明，无论是以同类型观测数据作为输入还是以环境因子的组合作为输入，4种机器学习模型都可以较好的模拟地面空气二氧化碳浓度的整体变化过程，且都可以用于插补数据。以其他点位实测二氧化碳浓度作为输入时，MLP模拟2号点的浓度C2精度最高，在测试集的误差仅为3.8%；以环境因子作为输入时，RF模拟2号点的浓度C2精度最高，在测试集的误差为6.3%。但是以环境因子作为输入时无法模拟出二氧化碳浓度剧烈的日变化过程。为了进行数据插补，以同类型的观测数据作为输入用于插补数据的效果更好，它可以较好地模拟出地面空气二氧化碳浓度的日变化过程。

关键词： 废玻璃粉混凝土   抗压强度   机器学习   粒子群优化算法   可视化  

摘要： 废玻璃粉混凝土（WGPC）的应用和推广能够有效缓解混凝土材料短缺的压力以及环境污染的问题。抗压强度（CS）是评价废玻璃粉混凝土性能的重要指标，与传统的测试方法相比，机器学习技术基于准确性和稳定性的特点，能够有效预测混凝土的抗压强度，尤其是在探究混凝土长期力学性能方面优势显著。本研究利用多元线性回归（MLR）、反向传播神经网络（BPNN）、支持向量机回归（SVR）和随机森林回归（RFR）4种模型对废玻璃粉混凝土的抗压强度进行预测，并结合粒子群优化算法和交叉验证的方法调整模型的参数设置，以达到模型预测的最佳效果。结果表明，优化后的模型精度普遍比基础模型高，其中PSO-RFR模型在测试集上表现最佳，拟合优度R2=0.9231，MAE=2.1073，RMSE=3.6903，与试验结果对比，PSO-RFR模型和PSO-BPNN模型展现出良好的预测效果，且PSO-BPNN模型中训练集和测试集的拟合优度R2最为接近，体现了PSO-BPNN模型对未知数据的最佳泛化能力。本研究为混凝土抗压强度预测提供了有效方法，有助于推动混凝土材料领域的可持续发展，为混凝土材料的研发和应用提供理论支持。

关键词： 图神经网络   图提示学习   异构图   同质性   元路径  

摘要： 图神经网络在多个不同领域展现出巨大潜力，然而传统的图神经网络方法通常依赖大量标注数据进行训练，而在实际应用中，标注大量数据往往代价高昂且费时费力。近年来，提示学习作为一种新兴的预训练模型范式，在Few-shot、Zero-shot等低资源场景中表现出色。图提示学习是一种新颖的图预训练和提示框架，能够通过少量标注数据实现图数据的多任务处理，有效弥合预训练任务与下游任务之间的差距。然而，现有图提示学习方法在处理异构图时，忽视了图数据复杂的内在结构，特别是未能充分挖掘异构图中蕴含的同质性特征。为了解决该问题，本文提出了一种同质性增强的异构图提示学习方法，旨在提升图神经网络在异构图中的表现。具体而言，设计了基于元路径的同质子图提取方法，并结合同质性软聚类技术，有效捕捉节点间的节点相似性关系，从而优化图提示效果。实验结果表明，所提出的方法在多个基准数据集上优于现有技术，表现出更强的性能和效果。

关键词： 结构可靠性   主动学习   多保真Kriging模型   保真度选择策略  

摘要： 多保真模型在工程实践中已广泛应用，但在结构可靠性分析领域，由于缺乏高效的主动学习策略来确定多保真建模过程中样本点的更新位置与空间位置，限制了其在可靠性分析中的应用。为此，提出了一种基于多保真Kriging模型与主动学习的结构可靠性分析方法，该方法通过三阶段选择确定每次迭代过程中样本点的更新位置与空间位置。第一阶段通过集成多种学习函数确定最优样本点集合；第二阶段通过所提出的BES方法（Beneficial Effect Strategy）确定样本点的更新位置；第三阶段运用Bootstrap自举抽样法从最优样本点集合中确定样本点的空间位置。通过两个数值算例与一个工程实际算例证明了该方法的有效性与高效性。与目前先进的多保真结构可靠性方法相比，当模型的保真度较低时，能有效的避免计算失败，说明了该方法的先进性与较好的适用性。

关键词： 隐私政策   提示学习   知识融入   合规性分析  

摘要： 【目的】在数字化转型和移动互联网快速发展的背景下，隐私政策合规性分析已成为关键议题。以往的自动化分析方法主要关注隐私政策的完整性，忽略了分析隐私政策的一致性。同时，这些方法需要大量的标注样本，限制了其使用场景。本文致力于提出一种兼顾完整性和一致性、且不需要标注样本的自动化隐私政策合规性分析方法。【方法】首先，根据《个人信息保护法》等相关法规标准，从完整性和一致性两个角度构建了隐私政策合规性评价体系。基于此，提出了一种知识融入的提示学习模型KIPL（Knowledge-Integrated Prompt Learning），通过领域知识微调预训练语言模型并构建提示模板，使其能够在零样本条件下自动分析隐私政策的合规性。最后运用模型分析了小米应用商店14个领域的APP隐私政策合规性。【结果】实验结果表明，KIPL在领域数据集上的准确性、召回率上均较对比方法提升3%以上。通过分析14个领域的隐私政策，本文揭示了各领域在隐私保护上的不足之处，尤其在儿童隐私、数据安全等方面的合规性差异。【局限】当前测评样本数据量较小。【结论】KIPL模型通过结合完整性和一致性分析，实现了零样本场景下的自动化隐私政策合规性分析，在提升分析效果的同时降低了使用成本。实证研究不仅可以为APP运营商提供明确的改进方向，帮助其优化隐私政策内容，还能为政府监管部门提供全面的合规性数据支持，推动行业标准的统一和改进。

关键词： 联邦学习   数据异构   个性化联邦学习   模型预分配   自蒸馏  

摘要： 联邦学习(FL)是一种分布式机器学习方法，利用分布式数据进行模型训练，但在高度异构的数据分布中表现不佳；个性化联邦学习(PFL)通过为每个客户端提供个性化模型来解决这一问题。然而，以往的PFL算法主要侧重于客户端本地模型的优化，而忽略了服务器端的全局模型，服务器计算资源没有得到充分利用。针对上述局限性，提出基于模型预分配与自蒸馏的个性化联邦学习方法 FedPASD。FedPASD从服务器端和客户端两方面入手：在服务器端对下一轮客户端模型有针对性地预先分配，这样不仅能提高模型个性化性能，还能有效利用服务器的计算能力；在客户端，模型经过分层训练，并通过模型自蒸馏微调更好地适应本地数据分布的特点。在CIFAR-10、Fashion-MNIST和CIFAR-100三个数据集上，对FedPASD与FedCP、FedPAC、FedALA等典型算法进行了对比实验，实验结果表明：FedPASD在不同异构设置下的测试准确率都高于FedALA等基准算法，在CIFAR-100数据集上较传统FL算法提升30个百分点，较PFL算法提升2.42到5.92个百分点，在CIFAR-10数据集上最高可达88.54%测试准确率。

关键词： 甲氨蝶呤   骨肉瘤   机器学习   预测模型   排泄延迟   危险因素  

摘要： 目的:基于机器学习方法构建骨肉瘤患者大剂量甲氨蝶呤(high-dose methotrexate,HD-MTX)排泄延迟预测模型,并探索其相关危险因素。方法:回顾性收集2018年6月至2023年8月在东部战区总医院接受HD-MTX治疗并符合本研究纳入标准的80名骨肉瘤患者共255个周期数据。采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)方法来筛选排泄延迟相关的患者特征,分别通过6种机器学习算法构建预测模型,并使用AUC、准确率、精确率等多个指标评估模型的性能。结果:LASSO回归分析确定了10个预测特征指标,包括肌酐清除率(creatinine clearance,CrCl)、给药剂量、ALT、BMI、输注速率、水化值、MTHFR C677T基因多态性、性别、年龄、双膦酸盐合并用药情况。比较6种机器学习算法建立的模型性能指标,其中随机森林模型的预测能力最强[AUC为0.95,平均精确度(AP)0.79,准确率89.61%,精确率83.33%,召回率41.67%,F1值55.56%]。结论:采用随机森林法建立的HD-MTX排泄延迟预测模型可提高临床使用HDMTX患者的用药安全性,预防相关药物不良事件的发生。

关键词： 脓毒症   脓毒症相关肝损伤   机器学习算法   预测模型   分类回归树   随机森林   支持向量机   朴素贝叶斯  

摘要： 目的分析脓毒症相关肝损伤(SRLI)患者的预后,并使用8种机器学习方法建立脓毒症患者入住ICU后发生SRLI的预测模型。方法纳入MIMIC-IV数据库中满足脓毒症诊断标准且无肝脏、胆系基础疾病的患者。根据肝酶≥5倍正常值上限(ULN)或胆红素≥2.0 mg/dL将患者分为SRLI组和非SRLI组。采用卡方检验、多因素Logistics回归分析及倾向性评分匹配法分析2组患者死亡风险。采用8种机器学习算法[Logistics回归、分类回归树(CART)、随机森林(RF)、支持向量机(SVM)、K-近邻(K-NN)、朴素贝叶斯(NBM)、极端梯度提升(XGBoost)、梯度提升树(GBDT)]构建SRLI预测模型并进行验证。结果卡方检验(P<0.001)、多因素Logistics回归分析(P<0.05)、倾向性评分匹配分析后Log-rank(P<0.05)均显示SRLI增加患者死亡风险。SRLI预测模型中,RF算法的曲线下面积(AUC)最高为0.866,其后依次是GBDT(AUC=0.862)、Logistics回归(AUC=0.859)、SVM(AUC=0.837)、NBM(AUC=0.830)、CART(AUC=0.771)、XGBoost(AUC=0.764)、K-NN(AUC=0.722)。结论SRLI增加患者死亡风险。RF算法构建预测模型有较高的诊断价值。