科研人员探索式搜索任务类型与特征研究

[目的/意义]随着科技创新进程的加速与深入,科研人员的知识需求逐渐呈现出深度化、模糊化等特征,其知识搜索也大多表现为一种探索性的搜索过程。研究科研人员探索式搜索任务类型与特征有利于细粒度揭示科研人员信息需求特征,为科技信息服务平台的精准化知识服务提供理论依据,从而促进科技知识共享,加快科技创新进程。[方法/过程]以集成电路领域为例,文章采用关键事件技术法和在线问卷调查法进行数据收集,同时基于多重信息搜寻时段模型进行内容分析和编码,并进行数据统计分析。[结果/结论]集成电路领域探索式搜索包括两种任务类型(学习型和研究型)及其13种任务子类型,其中,来源、搜索频率、知识储备需要、复杂度的知识维度和认知维度5个任务属性与任务子类型显著相关,同时各任务属性间的共现结果体现了最常见的任务属性组合。本研究将为更好地理解科研人员的领域知识需求,以及开展后续的科研人员信息搜索行为研究和搜索系统优化提供一定参考。

多任务优化算法及应用研究综述

进化多任务优化(EMTO)是进化计算中一种新型方法,它可以同时解决多个相关的优化任务,并通过任务之间的知识转移增强每个任务的优化。近年来,越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题,并且EMTO已应用于各种各样的实际场景当中。从EMTO的原理、核心设计、应用以及挑战四个方面对EMTO的算法及应用进行了讨论。首先介绍了EMTO的大致分类,分别从两个层次、四个方面介绍,包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式;其次介绍EMTO的核心组件设计,包括任务构建以及知识转移;最后对它的各种应用场景进行介绍,并对今后研究做了总结与展望。

任务型教学法在小学数学教学中的应用

随着新课程改革及素质教育理念的不断深化,小学数学教师应当在教学实践的过程中与时俱进,积极探究能够激发学生学习主动性、提高学生知识探究能力的多元化教学模式。任务型教学法是新课程改革进程中诞生的一种高效教学手段,小学数学教师运用任务型教学法开展教学活动的设计与实施,在激发学生学习热情、提高学生学习能力、培养学生学科素养等方面均产生了积极作用。因此,在小学数学教学中,教师可在课前、课中、课后三个阶段应用任务型教学法,通过布置预习任务、优化教学任务和作业任务,提升小学数学教学效率和质量。

移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

多机协同自主任务规划系统研究综述

针对多机协同自主任务规划显著提升无人机任务感知效能、提高任务执行能力的现状,对其关键技术进行阐述,主要包括知识表示、通感一体化、任务调度及航迹规划等技术。针对知识表示技术,阐述基于任务环境上下文感知的知识库构建方法,进而对多域融合知识图谱构建、动态知识图谱更新与共享方法进行分析总结;针对通感一体化技术,分析了环境适变、灵活可扩的多机协同通感一体化架构,进而揭示多机协同通感一体化理论能限,阐述面向任务差异性需求的资源共享方法;针对任务调度及航迹规划技术,阐述资源适配的多机协同自主任务调度方案,并对基于动力学模型的航迹控制策略及不完美环境下的鲁棒控制机制进行分析总结。

任务导向的翻转课堂在《医学影像技术学》理论教学中的应用

《医学影像技术学》作为医学影像技术本科专业的核心课程,教师在理论课教学期间需重视学生知识内化与综合素质提升。传统教学模式中教师长时间处于教学主体地位传授知识,学生鲜少自主学习、主动思考及表达看法,难以获得理想教学效果。任务导向的翻转课堂以学生为教学主体,设置目标明确、难度适中的个人自学任务与团队课堂讲授任务,督促学生主动学习,积极参加团队协作。此类翻转课堂将拓展学习时间与场景,拓宽知识获取渠道,鼓励学生积极学习思考,与团队成员交流看法并协作制定课堂讲授资料,完成课堂讲授。教学过程中,学生不仅完成多层次知识内化,还将获得一定程度综合素质提升。本文将回顾传统教学模式的局限性,分析任务导向翻转课堂的特点与优势,探讨其用于影像技术本科专业学生《医学影像技术学》理论课教学的可行性,为本课程教育改革提供新思路与参考。

分布式3D打印服务的实时多任务调度研究

针对分布式3D打印机(3DPs)在工业物联网(IIoT)中共享、协作、生产全球化的定制产品过程中,3D打印任务(3DPTs)在分布式3D打印机上分配工作量不平衡,以及提交的每个模型的定制属性和实时性等问题,文章提出了用于IIoT中个性化3D打印的实时绿色感知多任务调度架构,给出了一种稳健的在线分配算法,使得每个3D打印任务能够精确地满足用户定义属性,并且平衡了分布式3D打印机之间工作负荷,同时开发了一种基于优先级的自适应实时多任务调度(ARMPS)算法,实时调度每一个3D打印任务,满足3D打印任务的实时性以及动态性要求。在高负载下进行仿真实验,经性能评估测试,表明所提出的算法具有稳健性,调度架构具有鲁棒性和可扩展性。

优化任务设计 提升育人实效——以“高扬民族精神”为例

学习任务是连接资源情境、学科知识和核心素养的关键环节。在道德与法治教学中,有效挖掘资源、合理创设情境、优化任务设计,是确保核心素养落地的前提。通过设计体验性、阐释性、思辨性和建构性等不同类别的学习任务,发挥红色文化资源在道德与法治教学中的重要育人功能,能够帮助学生在完成任务过程中传承红色基因、传递精神力量、增强文化自信。

基于“二维三层四环”教学范式的小学语文任务单设计路径探索

在《义务教育语文课程标准(2022年版)》指引下,如何让小学语文课堂教学从“教学设计”走向“学习设计”,帮助学生顺利达成学科核心素养培养目标,成为小学语文教师当前重要的研究课题。依托“二维三层四环”教学范式,在精心设计“三层”学习任务的过程中探索任务单设计的有效路径,可采取如下策略:一是用预学型任务单拨动教学切入点,以语言文字积累为前提,引导学生经历语言文字梳理与巩固的学习过程;二是用导学型任务单推进教学深入,为学生搭建语文实践活动的可视化支架,帮助学生打通语言吸收、内化与运用的路径,逐渐提升思维品质;三是用拓学型任务单延展教学内容,拓宽学生语文学习领域,培养学生良好的阅读习惯和运用多学科知识解决问题的能力,从而发展学生的文化理解能力,提升学生的文化自信。

真实工作场景下“搜索即学习”任务集的构建与分析

文章采用日记法收集来自16个国民经济行业的真实工作场景下具有学习特征的搜索任务实例,结合任务概念框架对搜索任务进行表征,构建面向“搜索即学习”研究的多维任务集,并进一步剖析了真实工作场景下搜索任务的属性特征,对任务相关特征、参与者认知变化、行为及关系进行探讨,根据参与者的学历层次、完成任务的认知层次,以及在完成任务时所处的时间压力进行分组比较三组变量间的关系。研究发现:参与者的任务执行熟悉度与任务感兴趣程度,所需信息类型的数量显著影响认知变化,任务执行者特征对认知变化与行为的影响在不同情境下均存在显著差异。本研究开发的任务集可作为“搜索即学习”研究的公共研究资源,以及评估生成式人工智能技术复杂任务处理能力的评测集,为开发面向真实工作任务情境与高效的信息系统提供依据。

语文学习任务的层递性与跃迁性

语文课程以发展学科核心素养为中心,依据语文实践活动类型的学段差异,设立了既相对独立又有内在逻辑关联的系列学习任务群。不同学习任务群的学习目标保持多重呼应与联结,同一学习任务群的学习内容逐步递进、延伸、拓展、深化。任务群下的单元学习任务是对单元课文内容的重组与整合,覆盖阅读、写作、交流等多个综合性学习任务,多个任务间互相连缀聚合,由核心任务总领,自下而上支撑任务群学习目标的实现。认识、把握语文学习任务的层递性与跃迁性,是进行语文学习任务群教学设计的首要前提,也是以结构化、情境化学习任务取代原双基模式下的语文学科知识、学科技能训练活动的教学实施重要转型,对于达到语言、知识、技能和思想情感、文化修养多层次学习目标具有深远影响。

任务协作表示增强的要素及关系联合抽取模型

对文本中诸如实体与关系、事件及其论元等要素及其特定关系的联合抽取是自然语言处理的一项关键任务.现有研究大多采用统一编码或参数共享的方式隐性处理任务间的交互,缺乏对任务之间特定关系的显式建模,从而限制模型充分利用任务间的关联信息并影响任务间的有效协同.为此,提出了一种基于任务协作表示增强的要素及关系联合抽取模型(Task-Collaboration Representation Enhanced model for joint extraction of elements and relationships,TCRE).该模型旨在从多个阶段处理任务间的特定关系,帮助子任务进行更细致的调节和优化,促进整体性能的提升.在三个关系抽取和一个事件抽取数据集上进行实验,TCRE在实体识别和关系提取任务上平均性能分别提高0.57%和0.77%,在触发词识别和论元角色分类任务上分别提高0.7%和1.4%.此外,TCRE还显示出在缓解“跷跷板现象”方面的作用.

NOMA-MEC网络中基于优先级的多任务卸载策略

针对NOMA-MEC网络中多任务卸载引起的资源分配不均、卸载成本过高等问题,考虑任务的异构性和网络环境的动态时变性,以最小化平均卸载成本为目标,面向超密集异构边缘网络提出了一种结合任务优先级的部分卸载策略。首先,充分利用资源,使用二分法模型化卸载比例的封闭解,将卸载问题解耦为任务优先级划分和基于服务器的信道资源分配两个子问题;然后,针对异构的任务,构建多维度任务优先级分类准则,提出了一种基于层次分析的支持向量机(analytic hierarchy-support vector machine, AH-SVM)任务分类方法,通过为不同的任务特征进行权重赋值,实现多任务优先级划分;最后,考虑动态环境下的信道质量,提出了一种面向信道资源分配和最佳卸载位置的NOMA信道增益深度双Q网络(NOMA channel gain deep double Q network, NCG-DDQN)任务卸载算法,有效降低了用户的平均卸载成本。实验结果表明,该算法在任务分类准确率和平均卸载成本方面较其他算法性能均有提升,同时验证了所提算法在高低优先级任务卸载过程中命中率的有效性。

基于机器学习的演化多任务优化框架

演化多任务优化是近年来计算智能领域的研究热点之一,其原理是通过任务间的知识转移提高演化算法同时求解多个任务的效率.由于任务间相似性对促进任务之间的正向知识转移具有重要的影响,因此,如何度量任务间的相似性成为了重点研究方向之一.目前,演化多任务优化在处理两个任务时,辅助任务的选取仅限于两者之一,且在处理超多任务时对任务间知识的转移缺乏灵活性.为此,本文提出一个基于机器学习的演化多任务优化框架,命名为MaTML.该框架联合所有任务关联的子种群形成一个统一的初始化种群,利用目标任务的技能因子及其对应的种群个体分别构建标签和训练集,应用十折交叉法拟合模型,并运用模型预测与目标任务相似的个体以组成辅助种群,从而促进演化优化中的正向知识转移.本文提出的算法能够在动态的种群个体中找到目标任务的辅助种群,不仅可以为三个或以上的多任务优化灵活地选取相似辅助任务,而且解决了当任务数量为两个时有效地选择辅助任务的问题.通过与现阶段的多任务算法和超多任务算法分别在CEC2017问题测试集和WCCI2020SO问题测试集进行比较,实验结果证实MaTML在优化多任务问题时具有更优或竞争性的性能.此外,文中还详细研究了MaTML的计算资源、模型性能、模型稳定性以及相关组件.最后,本文还基于真实问题的测试进一步验证了MaTML的有效性.

基于分层多智能体的多星联合任务规划架构研究

随着卫星规模、种类的不断增长,现有卫星任务规划技术架构已很难满足多类型卫星联合运用的有效性及可扩展性要求。通过深入分析多星任务筹划、单星任务规划、数传资源规划等环节,建立了基于分层多智能体的多星联合任务规划技术架构,设计了与架构匹配的相关优化算法及智能体功能实现机制,实现了多星联合任务规划能力。仿真实验及分析结果表明,该架构对多类型卫星联合任务规划场景有良好的适用性。

战术级任务规划方法研究综述

随着武器装备向多元多能和体系化运用发展,现代战争对指挥决策全局性、时效性和科学性等方面的要求越来越高,各军事强国任务规划系统建设需求迫切,且发展很快。为更好地推进任务规划系统研究,对战术级任务规划方法进行全面综述。总结任务规划系统的发展历程、战术级任务规划的方法框架,重点综述战术级任务规划主要实现方法及未来发展方向。在主要实现方法方面,重点围绕任务描述、任务分解、任务分配、方案评估等业务中涉及的主要方法进行综述和分析;在未来发展方向方面,从规范性、通用性、可信性等方面提出发展建议。

基于任务效能评价张量进化的航天器任务规划

航天器在空间探索时需要面对各种多任务场景,复杂的任务耦合关系和航天器轨迹约束给任务规划带来困难。本文提出了基于任务效能评价张量进化的航天器任务规划方法,利用张量形式来描述任务规划中任务点间转移轨迹与前序任务集的耦合关系,精确地评价不同任务规划方案下的转移轨迹代价和任务收益,从而有效地提高了任务规划效能,并极大缩减了任务规划的计算量。

采用量化任务驱动的混合式教学研究——以“电路原理实验”课程为例

线上线下混合式教学是目前高校常见的教学模式,但在其应用中学生的学习效果特别是线上部分难以保证。任务驱动式教学是一种通过任务来引导学生主动应用学习资源进行探究的教学方法。探索了在混合式教学中应用量化任务驱动的教学方法,教师预先对每一环节进行任务设定,且任务采用可量化评价的问卷或题目形式,形成清晰的评价目标,引导学生主动有效地学习。此方法在“电路原理实验”课程教改实践中取得了较好的效果。

一心多用的双刃剑效应:多任务对亲社会行为的影响

移动互联网时代,人们常常不可避免地处于多任务的工作状态。为此,本研究聚焦于多任务这一情境要素,探讨其与思维聚焦方式的交互作用对个体亲社会行为的影响。6个线上实验和1个线下实地实验的结果表明:当个体思维聚焦于过程时,多任务(vs.单任务)降低个体的自我效能感,进而降低其亲社会行为;当个体思维聚焦于结果时,多任务(vs.单任务)增加个体的自我效能感,进而提升其亲社会行为。任务能否完成是一个重要的边界条件,上述交互效应在工作任务可完成时存在,当工作任务完不成时,该不利结果直接降低个体的亲社会行为,多任务与思维聚焦方式的交互作用消失。

面向异构效用的移动群智感知多目标任务分配

当前移动群智感知(MCS)任务分配往往只考虑工人或平台单方面的效用,并且效用的构成也不够全面。因此基于工人信誉指数和任务熟练指数,设计了工人和平台两方面的异构效用机制,并提出一种双种群竞争的多目标进化算法(DCMEA)来获得最优的工人和平台异构效用。该算法首先通过随机贪婪初始化种群,然后使用二元竞标赛算法将种群划分为胜者种群和败者种群,并针对每个种群采用不同的进化策略。最后,通过修复算子使进化过程中的无效个体满足约束条件。在真实场景的数据集上进行实验表明,与基线算法相比,DCMEA收敛速度更快,能够找到精度更优、稳定性更好的任务分配解集,同时在更为复杂的场景中依然能够保持其性能。