关键词： 学习路径   小学数学   教学实践  

摘要： 学习路径是促进小学数学教学的重要抓手,而教学目标的实现是以学习路径的不断优化为前提的,如何借助学习路径的理念,结合数学学科本质特点,促进学生深度学习,达成学科素养培育的目标,成为了数学教学研究的现实课题。根据调查发现当前学生在小学数学的学习存在学习兴趣欠佳和知识理解水平不深的情况。因此学习路径的优化成为现阶段课堂教学的强烈需求,开展基于学习路径的小学数学教学实践的研究有其必要性,教师要帮助学生搭建学习桥梁,引导学生不断前进,最终彰显出数学学科的育人价值。本文以学习路径为视角,在理论基础的指导下提出“个体起点、‘路’‘迹’一体和因材施教”教学原则,在此基础上逐步优化小学数学学习路径的研究步骤,具体为“理解单元学习目标-确认学习起点-分析学习路径-设计实施教学任务-教学评价与优化”五个步骤,从而指导小学数学教学。 整个行动研究包括行动计划、行动实施、行动评价和行动反思四个步骤。本研究以四年级“小数的意义和性质”为例,选取宜昌市S小学四年级402班和406班作为对照班和实验班,通过开展两轮行动研究,帮助提高学生的学习兴趣和学习成绩,在学习路径不断优化的过程中总结出相关建议,为一线教师和相关教育者提供一些参考。研究开展具体步骤如下:首先通过调查问卷和师生访谈了解当前四年级学生数学学习兴趣和学习现状,分析问题出现的原因;其次在此基础上优化学习路径研究步骤,拟定行动具体方案;接着在学习路径的指导下对“小数的意义和性质”案例进行分析,并对实验班和对照班进行知识前测,确定学生知识基础;再次每轮行动研究结束后,对照学生理解水平,判断行动研究是否达成了预期目标;最后经过两轮行动研究,对两个班学生的学习兴趣和学习成绩进行后测,通过实验班前后测情况对比,以及实验班与对照班的情况对比,判断学习路径下小学数学教学是否能提升学生的学习兴趣和学习成绩。根据研究结果显示:第一,基于学习路径的小学数学教学在一定程度上能够帮助学生提升知识理解水平;第二,学习路径在小学数学教学中的应用能够提高学生的学习兴趣,包括情感卷入、知识获得和价值认知三个方面;第三,基于学习路径的小学数学教学在一定程度上能够提高学生学习成绩;第四,学习路径在小学数学教学中的应用有其可行性和适切性。 在实践的基础上,本研究从三个方面给出教学建议:(1)在课前准备阶段,教师应当聚焦学科核心知识确定学习主题,全面掌握学生学习起点,加强学生小学数学知识的价值引领。(2)课中实施阶段,教师应遵循“三学定教”的基本要求,创设真实问题情境,建立数学知识与生活的联系,促进知识的迁移。(3)评价和反思阶段,教师应以复盘和反思为评价的关键路径,及时总结,注重反思。

关键词： 机器学习   肺癌   术后心律失常   风险因素   预测模型  

摘要： 目的:1、研究肺癌患者术后并发心律失常的现状,并探索其发生的相关危险因素;2、探讨机器学习算法模型在预测肺癌术后心律失常中的应用价值,为临床风险评估提供有效手段和工具。方法:本研究拟收集2022年6月-2022年12月南昌大学第一附属医院符合纳入标准和排除标准的胸外科234例非小细胞肺癌(NSCLC)患者相关病例资料,采用SPSS 26.0统计软件对采集的各个观察指标进行单因素及多因素分析。单因素分析,计量资料采用Wilcoxon秩和检验分析,计数资料采用卡方检验分析;多因素分析,采用二元Logistic回归算法进行分析,结果输出肺癌术后并发心律失常的独立危险因素,并构建简单机器学习Logistic回归风险分类预测模型。相关因素分析结果以P<0.05表示差异有统计学意义。利用基于python语言搭建的机器学习算法决策树(DT)、随机森林(RF)和支持向量机(SVM)对肺癌术后并发心律失常进行分类,构建另外三种风险分类预测模型。根据各个模型输出的风险分类预测结果,通过计算的ROC曲线下面积(Area under curve,AUC)、准确度(ACC)、精准度(Precision)、召回率(Recall)和f-score,来评估模型的预测性能。结果:1、现状分析本研究通过分析234名肺癌术后患者48-72小时内中并发心律失常的现状调查,心电报告结果显示肺癌术后发生心律失常患者人数为44人,占总人数的18.8%。其中术后并发心律失常主要类型有:心房颤动、房性心动过速、房性早搏、室性心动过速、室性早搏、束支传导阻滞、心脏骤停和窦性心律不齐等。房性心律失常26人占总人数的11.1%,占心律失常人数的59.1%,心房颤动12人占总人数5.1%,占心律失常人数的27.3%。2、危险因素分析单因素分析结果显示:年龄≥60岁、吸烟、冠心病、术前化疗、术前心电图、术中输血、术后电解质、手术方式、手术范围、纵隔淋巴结清扫、淋巴结转移、病理类型为鳞癌、病理分期、手术时长、BNP、FEV1%,共16个变量差异有统计学意义(P<0.05),为肺癌的术后相关危险因素。多因素Logistic回归分析结果显示:年龄≥60岁、冠心病、术前心电图、术中输血、手术时长、BNP,共6项肺癌术后心律失常的独立危险因素(P<0.05),FEV1%为1项肺癌术后心律失常的独立保护因素。3、Logistic回归模型、决策树模型、随机森林模型和支持向量机模型的准确率(ACC)分别为88%、81%、94%、92%,召回率(Recall)分别为79%、0.76%、90%、85%,精准度(Precision)分别为 83%、71%、86%、88%,受试者工作特征曲线(ROC曲线)下面积(AUC)分别为0.90、0.83、0.95、0.94。随机森林和支持向量机的识别精度高于Logistic回归和决策树的识别精度。在肺癌术后并发心律失常的预测分类模型中,随机森林和支持向量机的预测准确度高于Logistic回归和决策树的准确率。随机森林预测模型效能最佳,决策树的性能最差。4、肺癌术后心律失常发生率较高,主要与年龄≥60岁、冠心病、术前心电图、术中输血、手术时长、FEV1%、BNP等因素密切相关。随机森林模型在预测肺癌术后心律失常精度性能上优于支持向量机模型、决策树模型和Logistic回归模型,而Logistic回归模型对变量的解释能力强于其他模型。因此,实际应用时,可相互配合。结论:1、心律失常是胸外科肺癌根治手术术后常见并发症之一。本研究中肺癌患者术后并发心律失常发生率为18.8%,房性心律失常最为常见,占总人数11.1%,其中术后心房颤动发生率为5.1%。2、年龄≥60岁、冠心病、术前心电图、术中输血、手术时长、BNP是肺癌术后并发心律失常的独立危险因素,FEV1%是独立保护因素。3、本研究应用的机器学习算法风险分类预测模型中,Logistic回归、决策树、随机森林、支持向量机四种算法模型均可以对肺癌术后有无并发心律失常进行较准确预测。其中,在预测精度上,随机森林模型性能最好,支持向量机模型性能次之,再分别是Logistic回归模型和决策树模型。4、由于Logistic回归模型可对变量赋值,输出各个变量的预测概率,拥有对风险变量的解释能力,能更加直观地描述肺癌患者术后并发心律失常与危险因素间复杂的网络风险机制。临床上可以将Logistic回归模型与随机森林模型实际联合使用,为肺癌患者进行术前预测和筛查提供强大而有效的临床评估工具和手段。从而减少肺癌术后并发心律失常的发生率,减少患者住院费用,降低卒中和死亡率,改善患者长期预后,具有一定的临床指导意义。

关键词： 语文   核心素养   学科育人   学习情境  

摘要： 《义务教育语文课程标准（2022年版）》不仅确立了“培育学科核心素养、发挥学科育人功能”的基本目标，还突出了“真实而富有意义的学习情境”在“变革学习方式、培育学科核心素养、发挥学科育人功能”方面的重要性和必要性。教师要以课程标准为指引，创设“真实而富有意义的学习情境”，将“学科知识”这一形成学科核心素养的主要载体“活化”，以助力核心素养培育，发挥学科育人功能。

关键词： 迁移学习   骨干网络   域自适应学习   元学习  

摘要： 随着数据规模的扩大和计算能力的增强,机器学习在众多任务中都取得了快速的发展。传统机器学习方法往往假设训练数据和应用场景中的测试数据具有一致的分布。然而,在实际应用中,不同的应用场景数据变化较大,训练数据与测试数据的分布往往不一致,这使得传统机器学习面临着巨大的挑战。迁移学习在这方面提供了一种解决方案,它可以在分布不同但又存在一定相似性的不同数据和任务之间进行知识迁移,借助已经通过训练学到的知识,在新场景中构建更好的模型,从而在实际应用中实现更佳的效果。研究迁移学习具有重要的学术和实际应用价值,它能在不同场景下快速构建高效、准确的网络模型。迁移学习作为机器学习领域的研究重点之一,具有广泛的研究和应用前景。本文主要关注和研究计算机视觉中的迁移学习,首先分析了现有的迁移学习方法,并从模型结构、优化、特征三个不同的角度进行了概述和介绍,同时总结了现有研究方法中的不足。接着,本文基于迁移学习的核心,即通过知识迁移提升模型在新领域中目标任务的性能,着重探讨了如何从模型结构、优化和特征三个不同的角度设计更加有效的迁移学习方法,以使得迁移学习能够面向最终的应用任务进行高效的知识迁移,这三个方面的研究分别对应于:(一)从模型结构角度,本文提出了一种基于动态网络的面向任务的预训练-微调方法。本文首先关注于目标域有监督的迁移学习中最常见的预训练-微调学习范式。在这个范式中,模型首先在较大规模的源域数据集上进行预训练,然后在目标域上利用标签监督对预训练好的模型进行微调,以实现知识迁移并使模型更好地适应目标任务和数据集。我们从网络结构的角度出发,分析了现有的网络结构设计,并提出了一种高效的基于主动令牌融合的动态网络结构。在经过预训练后,在不同下游任务和数据集上进行参数微调的时候,我们新提出的网络能够能根据数据分布的变换和任务所需知识的差异,自适应地调整自身网络结构,从而将预训练学到的知识更有效地迁移到不同的下游任务中。(二)从网络优化角度,本文提出了一种基于元学习的面向任务的无监督域自适应方法。本文关注于迁移学习中的一个重要方向:无监督领域自适应。针对这个方向,我们指出了知识迁移过程中存在的一个问题,即领域自适应任务在优化过程中与最终目标任务优化方向可能不一致。这可能会导致模型迁移对最终任务无益的知识,从而影响迁移学习的性能。为了解决这个问题,我们从网络训练过程中的优化角度出发,提出了一种新的基于元学习的训练优化策略MetaAlign。MetaAlign通过改变优化过程,使网络在迁移学习的训练阶段考虑最终任务的优化方向,以实现更有效的面向任务的无监督知识迁移。(三)从特征角度,本文提出了一种基于特征选择的面向任务的无监督域自适应方法。在无监督域自适应学习的框架下,我们从“应该迁移什么样的知识”的角度出发,分析了现有方法在知识迁移过程中并未针对最终目标任务进行优化的问题。这个问题可以归结为两个主要方面:应该迁移什么样的知识和如何选择应该迁移的知识。针对这个问题,我们提出了一种基于特征选择和对齐的方法ToAlign。我们利用源域数据集中的真实标签,在监督训练的参数梯度信息中定位并提取与任务优化相关的知识。基于这些信息,我们通过注意力机制来调制迁移学习过程,从而实现任务导向的无监督域自适应学习。

关键词： 贝叶斯网络   贝叶斯网络结构学习   A*算法   祖先约束  

摘要： 贝叶斯网络是一种结合图论和概率论的人工智能模型,凭借其语义清晰、可解释性强等特点,已成为不确定性知识表示和推理领域的重要模型,并广泛应用于多种领域。贝叶斯网的学习方法是近年来的研究热点,贝叶斯网学习包括结构学习和参数学习两部分,其中结构学习即有向图结构的学习,是参数学习的基础。最优贝叶斯网络的结构学习是一个NP难问题,因此如何在已有专家先验知识的指导下缩小搜索空间,进而实现高效准确的贝叶斯网结构学习成为学者们研究的热门方向。祖先约束可表示两个变量之间的因果关系,也可看作贝叶斯网络有向图结构中不同变量节点之间的路径关系,是针对贝叶斯网络学习问题的一种重要先验知识。如果(3是(4的祖先,那么在贝叶斯网络有向图结构中,一定存在一条从(3到(4的有向路径,如果(3不是(4的祖先,那么就不存在这样的路径。本文提出一种基于A*算法的贝叶斯网络学习方法,设计了两种支持祖先约束的启发式函数,并证明两种启发式函数均满足可接受性和一致性。实验结果表明,与原始启发式函数相比,新的启发式函数能够指导A*算法更快求得最优解,同时占用更少的内存。本文的主要研究工作如下:(1)基于贝叶斯网络图(Bayesian Network Graph,BNG)搜索空间,在祖先约束存在时使用A*算法进行网络搜索,并设计了一种支持祖先约束的简单启发式函数。该启发式函数满足可接受性和一致性,通过当前网络结构和祖先约束,限制每个变量的候选父集,从而得到一个更准确的启发值。(2)在启发式函数计算过程中,为获取变量间的祖先后代关系,需要频繁访问网络的拓扑结构,导致时间消耗过高。针对这一问题,本文提出在搜索过程中维护一个后代矩阵,该矩阵用于缓存变量之间的祖先后代关系,提高启发值的计算效率。(3)设计了能够支持祖先约束静态k-环冲突(static k-cycle conflict)启发式函数,该启发式函数满足可接受性和一致性,通过在分数缓存生成阶段限制每个变量的候选父集,从而得到更准确的启发值。本文在经典的贝叶斯网络数据集ALARM、CHILD上,进行两种新的启发式函数和已有启发式函数的对比实验,实验结果验证了本文设计的启发式函数均能支持正祖先约束、负祖先约束以及两者的混合约束,并且在搜索时间和内存占用上,比原启发式更好。

关键词： 《论语》   孔子   学习方法   意义  

摘要： 《论语》蕴含丰富的学习思想，具有重要的方法论价值，可概括为五个方面：立志与笃志的辩证统一；学文与自省的辩证统一；“问”“闻”“见”“言”与“忠”“恕”的辩证统一；欲速与渐进的辩证统一；学与思的辩证统一；知与行的辩证统一。这些方法是孔子对学习的经验总结，而对《论语》中学习方法的再认知和对其学习方法积极成分的提取，有益于这些学习方法与当今社会现实相结合，对丰富当代人的学习方法具有重要意义。

摘要： 《摆脱贫困》是一部“全书的题目”，结集的29篇著述以如何使主管区域摆脱贫困，走上富裕繁荣之路为主题。在紧扣闽东中心工作经济建设深入思考的同时，《摆脱贫困》对于思想政治工作的实施也提出了许多富有创见的观点和方法。“好的思想政治工作应该像盐，但不能光吃盐，最好的方式是将盐溶解到各种食物中自然而然吸收。”习近平同志任职中共宁德地委书记期间领导开展的这一工作就是好的思想政治工作的范例，对怎样“将盐溶解到各种食物中自然而然吸收”的问题，给出了深刻解答。

关键词： 机器学习   复杂网络   投资组合优化   全局最小方差模型  

摘要： 沪深300指数是我国A股市场的重要指标之一,它包含了沪市和深市300家规模较大、流动性较好的上市公司,代表了中国A股市场的整体走势。在此背景下,本文所提出的基于机器学习方法的两步骤投资组合优化以沪深300指数为研究对象,构建投资策略,从中挑选出具有投资价值的股票。 策略总体分为两个步骤,第一步是股票选择,利用Rice Quant平台上的因子,通过因子有效性分析,选出5个技术类因子和11个基本面因子,同时使用主成分分析法降维,降维成8维的特征,采用XGBoost和Light GBM机器学习方法建模,对沪深300指数股票池中的股票进行筛选,筛选出上涨概率较大的股票;第二步是投资组合优化,基于复杂网络理论,将股票市场看作是一个复杂网络,每只股票是一个节点,算出每只股票对数收益率之间的相关系数,利用阈值法,相关系数大于阈值存在连边,计算复杂网络的拓扑指标聚类系数,构建聚类系数矩阵,用聚类系数矩阵替换全局最小方差模型中的相关系数矩阵,从而改进全局最小方差模型,对第一步得到的股票进行投资组合,确定每只股票的投资比例。每日按照股票的投资比例进行交易,根据交易回测结果,计算相关的指标对量化策略进行评价。 在实证分析部分,本文选取2016年1月4日到2020年12月31日的沪深300指数成分股的数据进行建模,2021年1月4日到6月30日的数据作为回测期间。回测内容分成两个部分,第一部分是只使用机器学习模型选出上涨概率较大的股票,每只股票等权重购买。第二部分是使用本文提出的两步骤投资组合优化。回测结果表明,在不同参数的选择下,两步骤的投资组合优化都要优于第一部分的等权重购买策略。

关键词： 复杂系统建模   模糊认知图   多模态优化   人工蜂群算法   多目标优化  

摘要： 复杂系统广泛存在于生活中的各个领域,通过挖掘系统的复杂动力学表征数据来探索系统内部的相互作用机制进而对其进行建模,可为认知、预测和调控复杂系统提供必要手段。模糊认知图是一种将模糊逻辑理论和认知映射相结合的软计算方法,广泛应用于复杂系统分析与建模领域中。然而,现有的模糊认知图学习方法易于陷入局部收敛,存在精准捕获概念节点间关系难度大的局限,且在高维解空间中泛化性较差。此外,现有的学习方法往往仅关注模糊认知图的数值拟合能力,导致获取的认知图网络密度过大。针对上述挑战,本文从多模态优化、多目标优化、智能优化与机器学习等多学科、多领域交叉融合的角度开展模糊认知图的学习方法研究,主要研究内容如下:(1)针对模糊认知图学习问题中,现有学习方法易于陷入局部收敛,精准捕获概念节点间关系难度大的问题,本文提出了多模态人工蜂群算法学习模糊认知图。首先,将模糊认知图的学习问题建模为多模态优化问题,并从多模态优化的角度设计了一套完整的模糊认知图学习方案。其次,结合人工蜂群算法和小生境方法,提出一种具有多重收敛能力的优化方法,并引入了群体认知引导策略和局部搜索策略以提高方法的搜索性能。最后,在8个真实系统数据集上进行实验,结果表明所提出模糊认知图学习方法优于6个基线模型且具有较高的精度和泛化性。(2)针对大规模的模糊认知图学习问题中,解空间维度较大且节点之间的关系错综复杂,导致学习方法的精度较差、学习效率较低的问题,提出多模态的协方差矩阵自适应进化策略学习大规模模糊认知图。首先,结合分治策略将模糊认知图的学习问题建模为多个多模态的优化问题。其次,结合小生境方法和协方差矩阵自适应进化策略,并融入立方混沌算子,提出了一种多模态优化方法。最后,在15组大规模基因调控网络和12组合成数据集上进行实验,结果表明该方法优于8个基线模型,能够高效地学习大规模模糊认知图。(3)针对模糊认知图的学习方法大都仅关注模型的数值拟合能力,导致学习得到的认知图网络密度较大,且现有的解决方案处理冲突目标的效果较差的问题,本文提出一种多模态多目标的优化算法学习稀疏模糊认知图。首先,从提高决策空间多样性的角度出发,将模糊认知图的学习问题建模为多模态多目标的优化问题。其次,将前一项研究内容提出的算法与多目标优化策略和迭代阈值搜索相结合,提出一种多模态多目标优化算法。并从多模态多目标优化的角度设计了一套完整的模糊认知图学习方案。最后,在5组真实系统数据集以及18组合成数据集上进行实验,结果表明该方法能够高效地处理冲突目标,并精准地学习稀疏模糊认知图。

关键词： 机器学习   股票市场预测   K线图   投资者情绪   视觉信息  

摘要： 中国和美国的股票市场在投资者结构、市场环境等方面存在很大差异,这些差异与投资者情绪及股票市场趋势息息相关。受技术限制,以往研究大多基于从K线图中提取出的、量化后的技术指标对股票市场进行预测,无法直接识别和分析K线图,从而忽视了K线图中的视觉信息对投资者的认知、注意力、情绪等方面的影响;同时,以往文献在股市预测中对中美股市的对比研究也十分有限。卷积神经网络作为目前发展相对成熟的机器学习算法之一,可直接对图片等高维度数据进行分析和预测。因此,本文使用机器学习算法对中美股市进行预测,并探究影响模型预测效果的因素。本文使用机器学习算法对中美股市的代表性指数——沪深300指数和标普500指数的价格走势进行了预测,并将图片型数据和数值型数据作为不同输入,比较这两类数据在中美股市的预测效果。同时,本文依据模型预测效果高低将数据集进行分组,并选取相关指标对分组后的数据集进行差异分析,以探究影响模型预测效果的可能原因。本文尝试从图片带来的视觉冲击和投资者情绪两个角度对所得结果进行诱因分析与解释,通过改变K线图特征、划分牛熊市数据集等方式作进一步分析与讨论。同时,本文还比较了不同机器学习算法在中美股市预测方面的表现。最后,本文通过更换样本数据集、调整模型结构、更改预测目标、引入新样本数据等方式检验了结果的稳健性。本文结果表明,在个人投资者占主导的中国股市,相比于数值型数据,图片型数据的预测效果更好,这可能是因为,K线图是个人投资者进行投资决策的主要参考依据,其对投资者(尤其是个人投资者)的决策影响较大;而在机构投资者占主导地位的美国股市,图片型数据没有包含更多的预测信息,这可能是因为,美国市场发展更为成熟,投资者更为理性,K线图不是主要决策依据,也没有包含非理性信息。此外,本文发现,只有在使用卷积神经网络预测中国股市时,部分指标差异显著。即在中国股市,对于模型预测效果好的数据组,其历史收益率均值和峰度更高、历史上涨情况出现更多,而在美国股市,本文没有发现这一现象。这可能是因为,指数收益率均值、峰度、上涨所占比重会反映在K线图的具体特征中,通过视觉冲击和情绪两种方式影响个人投资者的感知和注意力,从而影响模型的预测效果。此外,本文结果还表明,相比于其他模型(长短期记忆模型、随机森林模型),卷积神经网络模型对股票市场趋势的预测效果更好。