面向复杂学习的网络教学环境研究

复杂学习是一种为达成多种学习目标的综合学习。它不是孤立知识碎片的简单组合,而是将知识、技能和态度进行协调与综合从而成为一个整体,并使之能够灵活运用在真实情境中以解决实际问题。网络教学环境所具备的灵活、开放、可共享、支持个性化学习等优势对复杂学习的进行十分有利,但同时,这些优势本身并不能保证学习者适应这种学习形式。针对复杂学习特点,在网络教学环境的设计上应:有利于真实任务情境的呈现、有利于知识与教学资源的结构化组织、有利于多元化的知识表征和应用、有利于多用户角色的交流互动、有利于进度监控与反馈。

医学知识增强的肿瘤分期多任务学习模型

肿瘤分期是指从病人的电子病历文本中推测肿瘤对应阶段的过程。在电子病历数据中存在类别严重不均衡现象,因此使用深度学习方法进行肿瘤分期具有一定的挑战性。该文提出医学知识增强的多任务学习KEMT(knowledge enhanced multi-task)模型,将肿瘤分期问题视作面向医疗电子病历的文本分类任务,同时引入医生在人工预测肿瘤分期时参考的医学属性,提出基于医学问题的机器阅读理解任务,对上述两种任务进行联合学习。我们与医疗机构合作构建了真实场景下的肿瘤分期的数据集,实验结果显示,KEMT模型可以将医学知识与神经网络结合起来,预测准确率高于传统的文本分类模型。在数据分布不均衡的条件下,在小样本类别上的准确率提升了4.2个百分点,同时模型也具有一定的解释性。