不同评价者对基于网络的PBL学习中学生表现的评价研究

[目的]探讨《康复评定学》基于网络的问题导向式学习(PBL)教学中学生自评、学生互评和导师评价之间的关系。[方法]对天津中医药大学参与《康复评定学》基于网络PBL教学实践的中医学专业康复医学方向班学生的学习表现进行评价,分析学生自评、学生互评和导师评价之间关系。[结果]学生自评分高于互评分,互评分高于导师评分;学生自评分和互评分与导师评分之间不存在线性相关。[结论]不同评价者对PBL教学中学生表现的评价存在一定的差异,学生自评和学生互评虽与导师评价不相关,但有利于提高学生的反思能力,可以作为导师评价的有益补充。

基于网络学习空间的高等学历继续教育PBL教学模式探究

网络学习空间现已成为开展数据支持下个性化教与学的重要入口,但目前绝大多数网络学习空间设计框架并未结合具体的教学模式。我国高等学历继续教育传统教学模式存在教师教学力量薄弱、成人学生学习困难、成人配套教材匮乏、课程教学形式僵化以及评分机制效率低下等若干问题。基于此,应搭建基于网络学习空间PBL教学模式的应用框架,在网络学习空间中完成组织小组,学情分析;创设情景,设计问题;确定目标,制定方案;实践探究,形成结论;小组交流,成果展示;学生总结,教师反馈等教学流程,以治愈传统教学模式的旧疾,体现一个平台、两个主体、三个互动和四个功能的教学价值,实现高等学历继续教育教学模式的数字化与理论化。

学习型社区赋能教育强国建设——基于在线学习者关系网络分析视角

学习型社区建设有助于加快教育强国落地,社区中在线学习者的各种协作互动行为,促进了学习者关系网络的生成。对该网络进行深入分析,可以挖掘其中蕴含的社区学习的本质特征。该研究提出从社区发现角度对学习者关系网络进行分析,首先设计基于图卷积网络和非负矩阵分解,并集成学习者关系网络信息和文本内容信息的新型学习型社区发现方法,提出四个社区特征度量指标,在真实的学习者关系网络中进行应用分析。结果表明,所提出的分析方法能有效挖掘学习者关系网络存在的学习兴趣主题社区,还可以对社区整体和社区成员个体进行特征分析,并且分析结果可为引导学习者的在线交互协作行为提供决策支持。最后,形成“构建可视化学习型社区—开展社区之间知识分享—促进各社区的互动合作—指标反馈下的反思迭代”的学习型社区赋能策略。通过策略赋能学习型社区高质量发展,以社区新质生产力组合助推教育强国建设。

边缘计算网络中区块链赋能的异步联邦学习算法

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负,边缘计算网络(ECN)被提出以减轻云服务器的负担。此外,在ECN中启用联邦学习(FL),可以实现数据本地化处理,从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中,中央服务器容易受到单点攻击,导致系统性能下降,甚至任务失败。本文在ECN场景下,提出基于区块链技术的异步FL算法(AFLChain),该算法基于ENs算力动态分配训练任务,以提高学习效率。此外,基于ENs算力、模型训练进度以及历史信誉值,引入熵权信誉机制评估ENs积极性并对其分级,淘汰低质EN以进一步提高AFLChain的性能。最后,提出基于次梯度的最优资源分配(SORA)算法,通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况,证明了所提算法的有效性。

基于异常保持的弱监督学习网络入侵检测模型

网络入侵检测系统对维护网络安全至关重要,目前针对只有较少异常标记网络数据的入侵检测场景的研究较少。基于数据的异常保持性,设计了基于异常保持的弱监督学习网络入侵检测模型WIDS-APL,该检测模型包含数据转换层、表征学习层、转换分类层和异常判别层4部分,利用一组可学习的编码器将样本映射到不同区域并压缩到超球体,利用异常样本的标签信息学习正常样本和异常样本的分类界限,得到样本的异常分数。在4个数据集上的测试结果表明了该模型的有效性和鲁棒性,相比4个主流算法,在AUC-ROC值上分别提升了4.80%,5.96%,1.58%和1.73%,在AUC-PR性能上分别提升了15.03%,2.95%,4.71%和9.23%。

基于迁移学习与残差网络的快递包裹X光图像识别

针对快递包裹违禁物品识别存在种类繁多、依赖人力和X光图像获取难度大等问题,为提高快递包裹违禁物品识别的效率和准确度,本研究提出一种迁移学习与残差网络相结合的快递包裹X光图像识别方法(TL-ResNet18)。首先构建了相似度高的源领域数据集和目标领域数据集;其次,选用ResNet18作为预训练模型,调整初始化参数结构,并将ResNet18学习到的内容作为初始化参数迁移到目标领域,实现快递包裹X光图像分类;最后,将相同数据集作为三种模型的输入并对结果进行对比。实验结果表明,TL-ResNet18模型的局部微调和全局微调的识别准确率分别为93.5%、95.0%,相比于ResNet18模型提高了7%、8.5%,且精确度、召回率和F1值都优于ResNet18模型,该方法性能更优,且不受小型数据集对深层网络训练的限制,有利于快递包裹X光图像识别的智能化发展。

网络嵌入与双元学习如何提升供应商创新性——一个模糊集定性比较分析

供应商创新性在推动供应链创新发展中发挥重要作用。既有文献侧重研究单个或多因素对供应商创新性的净效应,鲜有分析多因素对供应商创新性的协同效应。面对日益复杂和高度不确定的外部环境,需从整体角度探索供应商创新驱动路径。基于组态视角,采用模糊集定性比较分析方法(fsQCA),从网络嵌入和双元学习两个层面探讨4个前因条件对供应商创新性的联动效应及其作用路径。研究发现:关系嵌入、结构嵌入、利用式学习和探索式学习并不是构成企业提高或导致非高水平供应商创新性的必要条件,且单个前因条件对供应商创新水平的解释力较弱,提高供应商创新性的影响因素是多方面的;存在4条驱动供应商创新性的路径,即互动—学习模式、合作共创模式、学习驱动模式、探索-引领模式;导致非高水平供应商创新性的路径有2条,且与供应商创新性提升路径具有非对称性;网络嵌入与双元学习的合理匹配,对提升供应商创新性具有重要作用。研究结论不仅可深化供应链创新、网络嵌入和双元学习相关理论,而且可为提高供应商创新性、促进供应链创新发展提供借鉴。

结合深度强化学习的边缘计算网络服务功能链时延优化部署方法

该文针对边缘网络资源受限且对业务流端到端时延容忍度低的问题,结合深度强化学习与基于时延的Dijkstra寻路算法提出一种面向时延优化的服务功能链(SFC)部署方法。首先,设计一种基于注意力机制的序列到序列(Seq2Seq)代理网络和基于时延的Dijkstra寻路算法,用于产生虚拟网络功能(VNF)的部署以及服务SFC的链路映射,同时考虑了时延优化模型的约束问题,采用拉格朗日松弛技术将其纳入强化学习目标函数中;其次,为了辅助网络代理快速收敛,采用基线评估器网络评估部署策略的预期奖励值;最后,在测试阶段,通过贪婪搜索及抽样技术降低网络收敛到局部最优的概率,从而改进模型的部署。对比实验表明,该方法在网络资源受限的情况下,比First-Fit算法与TabuSearch算法的时延分别降低了约10%和86.3%,且较这两种算法稳定约74.2%与84.4%。该方法能较稳定地提供更低时延的端到端服务,使时延敏感类业务获得更好体验。

多任务联合学习的图卷积神经网络推荐

基于图神经网络的协同过滤推荐可以更有效地挖掘用户项目之间的交互信息,但其性能依然受到数据稀疏和表征学习质量不高问题的影响,因此提出一种多任务联合学习的图卷积神经网络推荐(multi-task joint learning for graph convolutional neural network recommendations,MTJL-GCN)模型。利用图神经网络在用户-项目交互图上所聚集到的同质结构信息与初始嵌入信息形成结构邻居关系,设计节点邻居关系的对比学习辅助任务来缓解数据稀疏问题;向节点的原始表征添加随机的统一噪声进行表征级数据增强,构建节点表征关系的对比学习辅助任务,并提出直接优化对齐性和均匀性两个属性的学习目标来提高表征学习质量;将图协同过滤推荐任务与对比学习辅助任务和直接优化学习目标进行联合训练,从而提升推荐性能。在Amazon-books和Yelp2018两个公开数据集上进行实验,该模型在Recall@k和NDCG@k两个推荐性能指标上的表现均优于基线模型,证明了MTJL-GCN模型的有效性。

硕士生网络平台学习行为分析——以微信平台为例

以微信平台为例,硕士生网络平台学习行为具有广泛性、多样性、持续性和自主性的特征。这种学习行为具有双重影响,能唤起情绪投入、提升学习效率,扩充学习资源总量、优化学习体验,突破时空边界、提升交流便捷性,“学”“用”深度融合、涵养数字素养。同时,也存在拉大数字鸿沟、侵权与被侵权、涉及伦理道德、冲击整体性和跨学科思维的潜在风险。引导规范硕士生网络平台学习行为,需填补数字鸿沟、加快数字赋能,深度规范、适度共享,增强主体认同、加强伦理道德建设,拓宽视野、发展整体性和跨学科思维。

基于强化学习的大规模多模Mesh网络联合路由选择及资源调度算法

为了平衡新型电力系统中大规模多模Mesh网络的传输可靠性和效率,该文在对优化问题进行描述和分析的基础上提出一种基于强化学习的大规模多模Mesh网络联合路由选择及资源调度算法,分为两个阶段。在第1阶段中,根据网络拓扑结构信息和业务需求,利用一种多条最短路径路由算法,输出所有最短路径。在第2阶段中,提出一种基于多臂老虎机(MAB)的资源调度算法,该算法基于得到的最短路径集合构建MAB的摇臂,然后根据业务需求计算回报,最终给出最优的路由选择及资源调度方式用于业务传输。仿真结果表明,所提算法能够满足不同的业务传输需求,实现端到端路径的平均时延和平均传输成功率的高效平衡。

促进大学生深度学习的PBL教学方法研究与实践

学习科学视角下深度学习能力受到社会各界的广泛关注,促进学生的深度学习已经成为高等教育的重要议题和研究热点。以问题为导向的PBL教学方法是更强调能力导向的教学,是促进学生深度学习的重要教学理念和方法。为评价分析大学生深度学习现状及其影响因素,在设计性实验课程中开展PBL教学,并在此基础上研究PBL教学方法对大学生深度学习的促进作用及改进策略。研究结果表明,实验班八个二级评价指标的平均值均略高于对照班,一定程度上可以说明PBL教学设计与实施可以促进大学生的深度学习。大学生深度学习的进一步促进策略可以从团队学习能力和反思评价能力方面重点实施。

基于机器学习与DBN网络的网络入侵检测方法研究

随着计算机网络的发展,网络入侵的情况也越来越严重。传统网络入侵检测方法存在检测效率低、误判率高的情况,为了解决这些问题,提出了一种基于支持向量机的深度置信网络(SVM-DBN)的入侵检测方法。通过对支持向量机(SVM)进行优化,将支持向量机与深度信念网络(DBN)融合,利用SVM、DBN与SVM-DBN在网络入侵数据集中进行对比。结果表明,SVM-DBN算法的误差率最低,比DBN和SVM的误差率平均值分别低了8.95%,12.70%,且SVM-DBN算法在训练次数为140次时最大绝对百分比误差为4.8%,均优于对比方法。这说明SVM-DBN网络能够有效地提高网络入侵检测的精度和效率。

基于深度强化学习的复杂网络节点影响力排序算法

针对当前节点影响力评估算法准确度较低的情况,提出了一种基于深度强化学习的节点影响力排序算法。该算法从网络拆解的视角看待节点影响力,将节点影响力的排序问题转换为网络拆除策略的优化问题。算法首先利用排序学习训练图神经网络模型的节点特征提取能力,然后使用强化学习对依赖于网络状态的节点断连行为做价值学习,最后使用训练完成的模型预测网络拆除的最佳策略,即节点影响力的最准确排序。仿真实验证明,所提算法在典型真实数据集的CN(Crtical Node)与ND(Network Dismantling)问题上,相较于PageRank算法,准确度分别提升了31.1%与29.0%。同时,该算法具有较低的复杂度,可为网络稳定性分析和网络性能优化提供技术支撑。

英语学习者网络学习行为与教学对策实证研究

网络学习行为分析着眼于探究在线学习者内隐学习的偏好,发现零散学习行为中的底层规则,洞察各类行为的内部联系。在分析研究背景和进行文献综述的基础上,对英语学习者网络学习行为与教学对策展开实证研究。最后,得出结论,即应从学习者内驱力、教师信息素养、课程大纲和平台设计等方面进行提高和创新,为搭建自适应教学平台和促进学生个性化学习提供便利。

设计学习情境的教学方法(PBL法)在应用化学专业英语教学中的应用研究——评《化学与应用化学专业英语》

随着全球化的发展,英语在科学研究和国际交流中发挥着越来越重要的作用。对于应用化学专业的学生来说,掌握专业英语技能对于其未来的职业发展至关重要。然而,传统的英语教学方式往往忽视了学生在实际场景中的应用能力,导致学生无法将所学知识应用到实际工作中。因此,设计学习情境的教学方法(PBL法)教学法应运而生。它是以问题为导向,注重学生的主动性,旨在提高学生的专业能力。基于此,通过探讨PBL法在应用化学专业英语教学中的应用策略具有重要意义。

一种双通道半监督网络表示学习模型

在半监督网络表示学习中,节点标签对于网络在不同空间中映射关系的建立具有重要指导意义。然而在很多实际任务中,可用标签信息往往比较有限或难以获取,这导致在学习网络低维表示的过程中无法提供充分有效的监督。针对这一问题,提出了一种双通道半监督网络表示学习模型,该模型以自编码器为基本框架,由自监督和半监督两个信息传递通道构成。自监督信号与标签信息分别在两个通道中对网络表示映射关系的建立提供指导,同时二者之间形成信息互补与增强。考虑到两个通道间可能存在信息冗余,在互信息视角下设计了冗余识别与消除机制。在此基础上,构造了一体化优化模型,实现自监督学习与半监督学习的协同,使学习到的网络表示更好地捕捉和保持网络的结构和特性。在真实数据集上的实验结果表明,提出的模型学习的网络表示在节点分类、聚类和可视化等任务中能够获得优于基线方法的性能。

基于深度强化学习的空天地一体化网络资源分配算法

空天地一体化网络(SAGIN)通过提高地面网络的资源利用率可以有效满足多种业务类型的通信需求,然而忽略了系统的自适应能力和鲁棒性及不同用户的服务质量(QoS)。针对这一问题,该文提出在空天地一体化网络架构下,面向城区和郊区通信的深度强化学习(DRL)资源分配算法。基于第3代合作伙伴计划(3GPP)标准中定义的用户参考信号接收功率(RSRP),考虑地面同频干扰情况,以不同域中基站的时频资源作为约束条件,构建了最大化系统用户的下行吞吐量优化问题。利用深度Q网络(DQN)算法求解该优化问题时,定义了能够综合考虑用户服务质量需求、系统自适应能力及系统鲁棒性的奖励函数。仿真结果表明,综合考虑无人驾驶汽车,沉浸式服务及普通移动终端通信业务需求时,表征系统性能的奖励函数值在2 000次迭代下,相较于贪婪算法提升了39.1%;对于无人驾驶汽车业务,利用DQN算法进行资源分配后,相比于贪婪算法,丢包数平均下降38.07%,时延下降了6.05%。

基于双钻+PBL模式的非遗技艺学习类APP交互设计研究

目的从非遗技艺学习类APP原型开发的视角,提出并构建该类原型中交互设计的双钻+PBL模式,以改善用户使用后批判思维倾向提升不足的问题。方法针对非遗技艺学习类APP原型的交互设计在用户批判思维倾向提升上的不足,在被广泛论证有利于提升批判思维的PBL(基于问题的学习)模式的基础上,融入典型艺术设计实践活动的双钻模型,开发新的交互设计原型。随后使用定量研究的方法,采用加利福尼亚批判思维倾向量表对30个参与实验的学生进行前测和后测,使用平均分、中位数、正态分布检验得分,最终选择威尔科克森秩和检验检验统计数据,回答研究问题。结果批判思维倾向的P小于0.05,6个子维度中除了开放思想的P小于0.05之外,其他五个子维度P都大于0.05。结论实验结果表明,基于双钻+PBL模式开发非遗技艺学习类APP交互原型能对使用者批判思维倾向产生提升效果,但对其中几个子维度提升效果不显著。

基于元学习的植物虫害识别原型网络VGG-ML

[目的]为解决使用深度学习技术对植物虫害识别时依赖大量训练样本的问题,本文基于元学习的思想设计一个VGG原型网络(VGG-meta learning,VGG-ML),用于在小样本背景下植物虫害种类识别。[方法]采用VGG16作为嵌入单元提取虫害样本特征与类别特征,为提高网络对于新类别的识别能力,采用训练集与测试集异域方式进行模型训练,以解决在小样本情况下植物虫害识别准确率低、新类别虫害无法识别的问题。将测试集划分为支持集(获取类原型)与查询集(样本原型),以欧式距离度量样本原型与类原型之间的相似性,从而判定样本所属类别。[结果]以公开数据集IP102中玉米、甜菜、苜蓿等11种植物的蚜虫、黏虫、跳甲等24类农业虫害图片作为训练数据,以稻纵卷叶螟、稻叶毛虫、亚洲稻螟、稻瘿蚊、稻秆蝇、稻水象甲、稻叶蝉、稻苞虫8类常见的水稻虫害作为测试数据,在5-way、1-shot与5-way、5-shot情况下VGG-ML识别准确率分别为67.98%与81.5%,与原始原型网络相比提高3.53与4.4百分点。5-way、5-shot试验与基于迁移学习的ResNet50与VGG16网络对比,准确率分别提高28.65与25.94百分点。[结论]VGG-ML在进行小样本植物虫害类型识别时有效可靠,可适用于小样本植物识别问题。