大力推进学习型城市建设 努力把北京建成学习之都

党的十六大提出了“形成全民学习、终身学习的学习型社会”的奋斗目标，十六届三中、四中、五中、六中全会都把创建学习型社会作为坚持科学发展观、建设社会主义和谐社会以及全面建设小康社会的重要组成部分。当前，为全面落实党的十六届六中全会和市委九届十二次全会精神，加快实现“新北京、新奥运”战略构想，要动员全市各级党委、政府及社会各方面大力推进学习型城市建设，努力把北京建成学习之都。

建设学习型城市 打造中国学习之都

2007年北京市委、市政府印发了《关于大力推进首都学习型城市建设的决定》,召开了建设学习型城市工作会议。北京市建设学习型城市工作领导小组办公室及各成员单位认真贯彻落实会议精神,开展了大量卓有成效的工作,形成了党委领导、政府统筹、教育主导、条块结合、社会参与的创建工作领导体制,从理顺一个体制、强化两个支撑、完善三项机制、健全四方面保障等方面进行工作,形成创建学习型城市的北京模式,为将北京打造成中国学习之都打下坚实的基础。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

机器学习方法在盾构隧道工程中的应用研究现状与展望

随着盾构隧道工程信息化水平的提升,隧道掘进设备作业过程监测技术日益完善,记录的工程数据蕴含了掘进设备内部信息及其与外部地层的相互作用关系。机器学习因其数据分析能力强,无需先验的理论公式和专家知识,相较于传统的建模统计分析方法具有更大的应用空间。通过机器学习方法对收集的信息与数据进行深度挖掘并分析其内在联系,有助于提升盾构隧道工程建设的效率和安全保障水平。简述机器学习方法的基本原理,总结和分析机器学习方法在盾构工程中的应用研究状况,综述基于机器学习的盾构设备状态分析、盾构设备性能预测、围岩参数反演、地表变形预测和隧道病害诊断等5个方面的进展,并分析当前研究的不足。最后,分析盾构隧道工程向智能化方向发展需重点攻克的难题。

基于增量学习的车联网恶意位置攻击检测研究

近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

下一代个性化学习:生成式人工智能增强智能辅导系统

长期以来,教育技术领域的研究者致力于利用计算机开展个性化自适应教学。智能辅导系统作为这一领域的核心,其目标是通过计算机技术提供个性化学习体验和支持。近年来,生成式人工智能,尤其是大语言模型的发展,为智能辅导系统带来了突破性机遇,为个性化学习开辟了新的路径。本文回顾了研究者为实现个性化学习所作的努力及其成果和局限,探讨了大语言模型在个性化学习中的潜力和影响,介绍了“苏格拉底游乐园”——一个基于对话的智能辅导系统,如何利用大语言模型实施苏格拉底式教学,揭示了生成式人工智能如何革新个性化学习方式。针对大语言模型的潜在误用,文章提出了相应的建议,并构建了框架,旨在引导研发者在生成式人工智能和大语言模型范式下开发高效的智能教育应用。

线上线下混合式教学实施时间长短对《儿科学》学习效果的影响

目的:探索线上线下混合式教学模式开展时间长短对《儿科学》学习效果的影响。方法:选取温州医科大学本科四年级学生共153人纳入研究,研究组59人,对照组94人。研究组学生第1年接受传统授课模式,后3年接受线上线下混合式授课。对照组前3年接受传统授课,第4年接受线上线下混合式的授课。以问卷调查形式搜集资料,包括对上课形式的兴趣、记忆能力、搜集信息能力等方面的自我评价,比较两组学生能力提升的差异,并比较两组学生随堂答题分数的差异。结果:对照组学生喜欢混合式教学形式更多(Z=2.152,P<0.05),且有更多学生对医学知识兴趣有提高(Z=2.117,P<0.05)。与对照组相比,研究组有更多学生搜集信息能力得到提升(Z=2.258,P<0.05),研究组随堂答题分数更高[60(50,70) vs.60(40,60),P=0.001]。在知识点理解深度、记忆能力、思考能力、解决案例能力、沟通合作能力、课堂发言能力提升方面,两组学生比较差异无统计学意义(P>0.05)。结论:在儿科教学中,线上线下混合式教学能提升学生的学习能力。学生接触该教学模式时间越长,搜集信息能力提升更多,且答题分数更高。

基于教育数字化构建学习型社会和学习型大国:现实逻辑、内涵要义及发展路向

学习型社会建设是我国实现教育现代化和全面建设社会主义现代化国家的必然要求。“二十大”报告提出“推进教育数字化,建设全民终身学习的学习型社会、学习型大国”,从宏观政策层面为我国指明了建设中国式学习型社会的战略方向。“二十大”报告关于学习型社会建设的要求是基于人与学习关系深化、教育与学习观念变革、经济社会发展客观需要等历史背景提出来的,其本质核心是建设服务全民终身学习的学习型社会,价值目标是建立中国特色的学习型大国,方法支撑是教育数字化技术的全面应用。为适应时代发展需要,提出了数字化学习型社会建设理念,并从文化意识引导、数字技术应用、强化治理监测等维度提出实施建议,期望为我国加快建设全民终身学习的学习型社会进程提供策略参考。

小样本学习技术在新型电力系统中的应用与挑战

数据驱动已成为新型电力系统建设及其数字化转型的核心范式,相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而,实际工程数据往往面临着样本不足、样本不平衡等问题,制约了数据驱动算法的最终效果。因此,需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术,综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状,并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。

高校图书馆未来学习中心用户体验关键影响因素识别研究

研究用户体验关键影响因素有助于提升高校图书馆未来学习中心的服务水平,为未来学习中心的建设提供思路。本研究首先从预约体验、环境体验、技术体验、服务体验、学习体验5个维度提炼影响用户体验的14个因素,然后根据因素之间的关系构建未来学习中心用户体验模型,最后利用DEMATEL方法识别出影响用户体验的关键因素。研究发现,群体环境、技术交互性、学习愉悦度、学习满意度、学习成长感、服务可得性、技术新颖性、场景布局是影响未来学习中心用户体验的关键因素,并结合关键影响因素从环境体验、技术体验、服务体验和学习体验视角提出未来学习中心的建设和发展建议。

适性学习:数字化背景下高职院校学生学习新样态

随着数字技术的不断发展,高职院校的学习活动正在经历着全面的重构。适性学习强调以学生为中心,是对当下更为复杂的学习环境的实践因应,具有泛在性、混合性与交互性等特征。数字化转型背景下职业教育需要满足学生多元发展需求,促进个性化教育,增强学生自主学习能力,实现教育公平。高职院校应该深度推进适性学习,不断完善数字校园协同治理制度,打造课堂教学与智能技术的全方位耦合,构建起学生多维评价的新样态,为学生提供更加个性化、有针对性的学习体验。

过程控制工程课程混合式教学中学生学习风格模型的构建及应用实践

大学生线上线下混合式教学中存在问题产生原因之一是缺乏对网络环境下学生行为数据的分析,从而无法判断学生的学习风格。因而基于数据挖掘技术,利用网络学习平台收集过程控制工程课程学习行为数据,建立基于灰狼算法优化支持向量机构建多维度的学习风格模型,处理和预测其可能的学习风格。有助于教师及时掌握学生动态,调整线上线下混合式教学方案,实现因材施教的个性化教学模式。

跨学科主题学习:价值、困境与实施路径--以地理学科为例

跨学科主题学习具有打破学科界限、解决单一学科无法解决的复杂问题的特点。然而,我国对从传统的分科课程教学向跨学科课程教学转变的路径研究处于起步阶段,尤其是基于学科教师需求而建立的跨学科课程的研究尚且不足。研究认为,跨学科主题学习对学生素质培养、教师专业发展和学校改革创新有独特的价值表现;依据跨学科主题学习现状与需求的调研分析,课程设计、实施与评价难度大是大部分教师所面临的现实困境;选择学习主题、确立学习目标、设置核心任务、设置驱动问题、安排学习活动、开展评价与反思是满足一线教师教学需求的跨学科主题学习课程实践路径。

联邦学习中的攻击手段与防御机制研究综述

联邦学习的攻防技术是联邦学习系统安全的核心问题。联邦学习的攻防技术能大幅降低联邦学习系统被攻击的风险,明显提升联邦学习系统的安全性。深入了解联邦学习的攻防技术,可以推进联邦学习领域的研究,实现联邦学习的广泛应用。因此,对联邦学习的攻防技术进行研究具有十分重要的意义。简要地介绍了联邦学习的概念、基本工作流程、类型及可能存在的安全问题;介绍联邦学习系统可能遭受到的攻击,梳理了相关研究;从联邦学习系统有无目标性的防御措施出发,将防御措施分为通用性防御措施及针对性防御措施两类,并对其进行了针对性的总结;对联邦学习安全性未来的研究方向进行了梳理与分析,为相关研究者在联邦学习安全性方面的研究工作提供了参考。

高校图书馆未来学习中心建设路径及思考

未来学习中心致力于构建以读者为中心、以研究为导向、以兴趣为动力的全新学习生态。高校图书馆未来学习中心建设要突出空间再造和AI技术融合,通过改变传统空间布局来挖掘自身空间的价值和优势,把智慧图书馆空间融入学校整体发展中,打造团队式、协作式、主题式的图书馆智慧学习空间,以助力提升高校整体教育教学质量。文章从空间再造和智慧图书馆两个方面讨论构建高校图书馆未来学习中心的基本路径,介绍了西安建筑科技大学图书馆围绕未来学习中心建设所采取的措施,提出了建设高校图书馆未来学习中心的建议。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

基于机器学习的成本法在专利价值评估中的应用研究--以“新能源汽车”为例

[目的/意义]构建基于机器学习的成本法专利价值评估方法,快速识别海量专利的实际成本,并预测其价值区间,在为专利价值评估提供新研究思路的同时,也为专利转移转化定价提供了参考借鉴。[方法/过程]通过Innography数据库与Incopat数据库下载“新能源汽车”领域多指标专利数据,提取专利成本影响因素与专利价值影响因素,并形成专利数据训练集与专利数据预测集;构建AutoGluon机器学习分类算法,将包含成本数据的Innography专利数据训练集导入模型进行训练,并将训练好的模型对Incopat专利数据预测集进行成本预测;最后使用成本法并结合本研究提出的专利价值指数对预测结果进行计算,估算其价格区间。[结果/结论]通过实证分析与结果验证可知,本研究构建的基于机器学习的成本法专利价值评估方法在预测专利价值区间中具备一定有效性,为促进专利价值评估研究深化及专利转移转化定价实践发展提供了参考。

基于SMOTE-IKPCA-SeNet深度迁移学习的小批量生产质量预测研究

随着智能制造技术的发展和客户个性化需求的增加,多品种小批量生产方式逐渐成为制造业的主流。面向大批量生产、以统计过程控制为核心的质量管理方式并不适用于小批量生产。针对复杂生产过程存在参数多、非线性和交互作用的问题,提出利用深度迁移学习的方式将历史生产数据作为源域迁移至小样本目标产品数据进行质量预测。首先,通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)和改进的核主成分分析(improved kernel principal component analysis,IKPCA)算法筛选源域和目标域的可迁移特征,这不仅兼顾了特征重要性和可迁移性,还减少了“负迁移”,提高了模型泛化能力;然后,采用结合通道注意力机制的卷积神经网络SeNet构建基于深度迁移学习的质量预测模型。仿真结果表明,随着目标域样本的增加,所提方法的预测准确性明显优于广泛采用的支持向量机建模方法。同时,所提可迁移特征筛选方法显著提高了深度迁移学习的质量预测效果,为复杂的小批量生产过程质量保证提供了新方法。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。