基于多维文本解读的小学英语绘本阅读教学课例研究——以《大猫英语分级阅读》“Tec and the Hole”一课为例

文本解读决定着教学目标的制定、教学方法的选择、教学过程的有效实施,有怎样的文本解读,就会有怎样的教学设计。本文以张秋会、王蔷提出的'文本解读的五个角度,即主题角度、内容角度、文体角度、语言角度和作者角度'为框架(张秋会、王蔷,2016),以《大猫英语分级阅读》'Tec and the Hole'一课为例进行了多步骤、多轮次的研究活动。本文重点阐释这一课例研究的过程,以及如何以过程来转变教师的教学观念和优化教学方式,以期对如何通过绘本教学实现对学生核心素养的培养提供借鉴。

基于多维文本解读的小学英语绘本阅读教学课例研究

经济全球化发展,英语的应用也越来越广泛,对综合性人才的要求也越来越高.因此,在小学英语教学中,应把核心素养教育与英语阅读教学有机的融合为一体,让学生在听、说、读、写的训练过程中掌握英语阅读的学习技巧,同时锻炼学生的思维能力,让学生养成自主思考的习惯.

基于多维分析的对非外宣中医保健文本语际转换策略研究

中医保健文化是中医文化的重要组成部分。近年来,随着非洲各国人们对健康保健的日渐重视以及“文化走出去”战略的推进,对非中医保健外宣策略研究显得尤为重要。然而,针对非洲读者的中医外宣翻译研究乏善可陈,聚焦语言微观层面的研究更少。基于此,结合具体实例,应用多维文本分析法对高分译本的语体风格和语言特征进行了分析,总结出增译法、减译法和转译法等三种典型语际转换策略,以丰富相关研究。

面向问答文本的属性分类方法

属性分类是属性级情感分析中的一个重要任务。该任务旨在对文本包含的某些具体属性进行自动分类。已有的属性分类方法研究基本都是面向新闻、评论等文本类型。与已有研究不同的是,该文的研究主要面向问答文本的属性分类任务。针对问答文本的属性分类问题,该文提出了一种多维文本表示的方法。首先,该方法进行中文句子切分;其次,使用LSTM模型对每个子问题和答案学习一个隐层表示;再其次,通过融合多个隐层表示,形成多维文本表示;最后,使用卷积层处理多维文本表示,获得最终分类结果。实验结果表明该方法明显优于传统的属性分类方法。

基于知识图谱的问答系统中属性映射方法研究

在基于知识图谱的智能问答系统中,属性映射模块结果的错误传播会导致最终无法得到正确答案,对此提出了一种基于多注意力多维文本的属性映射方法。首先通过拆分问题文本及结合属性信息得到多维文本表示;其次使用长短期记忆网络(long-short-term memory,LSTM)层生成各自的隐层表示;然后输入多注意力机制层后使问句和属性之间的关系及语义信息更加完善,利用属性之间的交互信息及多种角度来加强问句语义信息的理解;最后通过卷积神经网络(convolutional neural networks,CNN)提取局部特征并且采用softmax分类器实现属性映射。试验结果表明,在自然语言处理与中文计算会议(NLPCC 2018)中知识库问答(KBQA)任务所提供的开源数据集上,本方法相比主流属性映射模型其性能有显著提升,准确率最高提升6.62%。本模型可以补足单一文本表示与注意力机制的短板,有效解决属性映射模块中语义歧义的问题,这有助于后续提高智能问答系统的整体性能。