信息外部表征形式对初中生学习决策框架效应的影响

333名初中生被分配到基于描述表征的两种条件下,分别对获得框架与损失框架下的风险回避类与风险寻求类学习时间选项进行抉择,以探讨信息外部表征对学习决策框架效应的影响。结果表明:1)在基于描述表征的条件下,学习决策领域中存在框架效应,但有其领域特殊性,被试在获得框架中无明显决策偏向,但在损失框架中的决策明显偏向风险寻求。2)在基于经验表征的条件下,学习决策不存在框架效应。无论是在获得框架还是损失框架中的学习决策均不存在明显的偏向。

聚焦学习决策:指向认知发生的数据及其应用

研究和实践领域十分关注数据对于决策的支持作用,当前关于“数据驱动决策”的研究和实践中,主要关注了反映认知主体的数据应用,重视教师教学决策的变化,而对于学习决策的关注相对欠缺。现代技术的教育应用,促进了学习空间的延展,学习者有机会接触更加广袤的外部世界,并产生了大量数据。梳理文献和比较可以发现,在学习过程中主要存在两类数据形式,一类是反映认知对象的数据,一类是反映认知主体的数据。数据反映了事物的运动状态与变化,具有客观性,但数据的应用却因为认识主体的目的性而表现出主观性的特点。数据具有原材料、可加工与多指向属性,如果从学习者的学习主体责任出发,可以合理使用学习数据来引导学习者学会进行“学习决策”。学习决策既是学习的条件,也是学习的结果,是一种具有选择性特点的思维活动,是由一组决策构成的决策链。合理使用数据,可以引导学习者与外部世界建立更加高效的互动关系,使得学习决策与认识行为同时发生。

适应性网络学习决策系统

该文对如何提高学习者的学习效率,实现个性化学习的问题,提出了基于贝叶斯方法和区间数多属性决策方法的适应性网络学习决策系统,并对该系统的结构、功能和实现的方法进行了初步说明。

基于机器学习的地铁轨道不平顺维修决策优化模型

针对传统地铁轨道不平顺维修决策慢的问题,介绍一种基于机器学习的地铁轨道不平顺维修决策优化模型。首先,简单对问题进行了描述,然后以自适应学习马尔可夫决策过程为依据,构建出轨道不平顺维修决策优化模型,并提出了该模型的求解算法。最后,通过具体案例对该决策优化模型的应用效果进行了分析,通过应用分析可以发现,相对于传统维修决策模型来说,本模型可以减少10%左右的维修成本,表明该维修决策优化模型是合理的,可推广到现代地铁轨道维修领域。

人机协同调节:复合脑视角下自我调节学习的新路径

以ChatGPT为代表的生成式人工智能的出现,使人工智能与人类智能之间实现群智联结,形成人机协同的“复合脑”思维。研究在梳理自我调节学习内涵与过程的基础上,聚焦复合脑对自我调节学习的赋能作用,阐述了复合脑支撑自我调节学习的三个层次,即数据支持下协同记录的“数脑”、数据关联下协同分析的“汇脑”、数据赋能下协同决策的“智脑”;剖析了复合脑赋能自我调节学习的“协同判断—协同调整—协同决定”三个过程。最后,基于内外脑决策自主度的变化,提出了共同调节、共享调节、复合调节三种典型样态,支持学习者不断强化主体责任、构建适应未来的复合脑,形成面向未来的高质量学习力。

基于决策树改进深度学习的网络安全态势智能感知方法

为了提高网络安全态势智能感知精度,提出基于决策树改进深度学习的网络安全态势智能感知方法。对通信网络流量数据进行预处理,基于决策树改进深度学习提取网络安全态势要素,计算网络安全态势感知阈值;设计网络安全态势智能感知流程,从而实现网络安全态势智能感知;设计对比实验,实验结果表明该研究方法对网络安全态势的感知精度较高,更具备实际应用价值。

学习空间支持下的学习范式转型:建立主体责任

对于学习目标及其价值理解的一致性,是实现高质量教育目标的基础。学习个体的个人特质与认知习惯等方面存在的差异,容易导致理解的不一致性,并通过学习的结果商数体现出来。从学习的视角理解数字化转型,就是要构建有利于促进个体发挥主体性的学习生态,建立具有相同学习价值追求的共同体,以高品质发展作为共同理想,建立相互信任与尊重,推动个体形成主体责任。学习空间设计需要尊重学习个体的身体、生理与心理等特质,具备调整功能,让学习个体能够具身参与学习、具生参与学习、具心参与学习,推动学习从形式向范式转型。范式的形成是因为实践中出现了新的问题,并且范式具有一定的共性特征。实践的条件发生了变化,范式就可能会转型。学习范式的转型依赖于研究与实践领域形成关于学习的共同认识,并有助于促进认识的发生,但外部支持条件的变化才可以让转型的理念转化为实践。重构的新型学习范式,应当能够唤醒学习个体的主体意识,主动发挥学习的主体决策责任。

基于决策树学习中的测试生成及连续属性的离散化

文中介绍并分析了基于决策树学习中的测试评价标准、测试生成机制及连续型属性的离散化等方法和实现技术．通过分析表明，在离散化过程中，采用信息熵最小化启发式能带来较好的效果．与二分离散化方法相比，采用多分离散化方法能从相同的实例集中构造出更好的决策树．

基于决策树学习的智能机器人控制方法

通过样本例子的训练,建立状态空间到操作空间的对应关系是学习控制理论研究的核心。给出了用决策树学习方法,建立状态空间到操作空问进行影射的方法——基于决策树学习的空间变换方法。该方法可以应用到智能机器人控制、模式识别、专家系统的知识获取等方面。文中给出的有关智能机器人控制方面的数值实验结果表明,基于决策树学习的空间变换方法是行之有效的。

自学习智能决策支持系统

提出了一种基于神经网络与专家系统的自学习智能决策支持系统,使得智能决策支持系统能够对过去的经验进行学习。在无人作战飞机系统的应用表明,智能决策支持系统不仅能够对过去的经验进行学习,并且成功地解决了在规则不完善、战场信息不完全的情况下决策支持系统的推理问题。仿真结果表明,提出的方法显著地提高了智能决策支持系统的性能。

载人飞船环控生保自学习智能决策支持系统的设计与实现

目的在载人飞船飞行期间监控环境控制与生命保障系统(environment control and life support system,ECLSS)的工作状态,对故障进行诊断和决策支持。方法依据决策支持系统、神经网络和专家系统原理,设计出了环控生保决策支持系统(ECLSS Decision supporting system,EDSS)的基本结构,运用故障树分析方法进行故障划分,形成专家知识,并将神经网络与专家系统相结合进行自学习。结果在2人5天的“神舟”6号载人飞行试验中,软件系统得到了全面考核和验证,为试验任务的圆满成功提供了良好的技术支持和保障。结论所建立的决策支持系统能够准确、迅速地进行数据判读和故障诊断,数学模型设计正确,参数预测结果合理。

用二叉决策图学习加速测试模式生成

提出了基于总会聚点的有序二叉决策图(BDD)学习方法,用以提高使用布尔可满足性方法的组合电路测试模式生成系统的性能.它有效地结合了基于布尔可满足性、BDD和结构等方法各自的优点,可以有效地解决局部信号赋值之间的关联性.其具体的做法是:首先分析电路的拓扑结构,收集局部信号的关联信息,构造局部电路结构的BDD图;之后从该图中学习出引起冲突赋值的合取范式子句,将这些学习的子句增补到子句库中,用以限制和修剪测试生成的搜索空间,从而加速测试模式的生成过程.实验结果说明了该方法的有效性.

基于决策树学习的柱状二极管表面缺陷检测系统设计

研究对象为柱状二极管,管体表面分布着白色文字和极性环。通过光学原理设计出能够减弱反光、打亮侧面的光学平台。同时,从对象分割、特征提取和决策树分类器三方面讲述视觉软件系统的设计流程:针对文字与缺陷ROI相混的情况,先利用笔画宽度转换(SWT)分割文字,剩下的连通ROI即是缺陷ROI;针对缺陷特征,提出平均灰度、环状度、边缘方向直方图和LBP四项特征值;最后利用决策树分类器对缺陷ROI进行分类,缺陷ROI识别率接近100%,缺陷ROI分类正确率达到92.3%,取到了较好的识别和分类效果。

宏微网络中基于后决策状态学习的基站关断节能策略

为了根据网络的业务状态动态地调整基站的开关状态以在保证用户服务质量的同时降低宏微网络的能量消耗,提出将时延限制下长期平均能耗的最小化问题映射为受限马尔科夫决策过程(constrained Markov decision process,CMDP)。在该过程中把网络中每个基站的用户数目定义为系统状态,将每个小基站的开/关操作定义为网络行动。为了充分利用网络已知的先验知识加快学习速度,采用后决策状态学习算法在线更新网络的开/关策略。该算法可根据关断策略执行前已知的网络状态学习关断策略执行后未知的网络状态,从而快速制定出相应的关断策略。理论验证了后决策状态学习算法的收敛性。通过仿真对比可知,后决策状态学习算法不仅学习速度快,且可在保证网络服务质量的同时收敛到最优的基站关断节能策略。

多源域分布下优化权重的无监督迁移学习Boosting方法

深度决策树迁移学习Boosting方法(DTrBoost)可以有效地实现单源域有监督情况下向一个目标域迁移学习,但无法实现多个源域情况下的无监督迁移场景。针对这一问题,提出了多源域分布下优化权重的无监督迁移学习Boosting方法,主要思想是根据不同源域与目标域分布情况计算出对应的KL值,通过比较选择合适数量的不同源域样本训练分类器并对目标域样本打上伪标签。最后,依照各个不同源域的KL距离分配不同的学习权重,将带标签的各个源域样本与带伪标签的目标域进行集成训练得到最终结果。对比实验表明,提出的算法实现了更好的分类精度并对不同的数据集实现了自适应效果,分类错误率平均下降2.4%,在效果最好的marketing数据集上下降6%以上。

多源域分布下优化权重的迁移学习Boosting方法

深度决策树迁移学习Boosting方法(DTrBoost)仅能适应一个源域与一个目标域的训练数据,无法适应多个不同分布的源域的样本。此外,DTrBoost方法同步地从源域中学习数据至目标域模型,并没有根据重要程度量化学习知识的权重。在实践中,对于某数据集的数据按照某一或某些特征划分出来的数据往往分布不一致,并且这些不同分布的数据对于最终模型的重要性也不一致,知识迁移的权重也因此不平等。针对这一问题,提出了多源域优化权重的迁移学习方法,主要思想是根据不同分布的源域空间计算出到目标域的KL距离,利用KL距离的比值计算出不同分布的源域样本的学习权重比例,从而优化整体梯度函数,使学习方向朝着梯度下降最快的方向进行。使用梯度下降算法能使模型较快收敛,在确保迁移学习效果的同时,也能确保学习的速度。实验结果表明,提出的算法在整体上实现了更好的性能并且对于不同的训练数据能够实现自适应效果,分类错误率平均下降0.013,在效果最好的OCR数据集上下降0.030。

一种智慧地铁轨道状态预测和维修决策优化系统

为提高地铁轨道智能化管理水平,设计了一种新的智慧地铁轨道管理系统;分别设计了朴素贝叶斯分类器、Logistic回归分类器和支持向量机分类器,并构建了基于Stacking集成算法的轨道状态预测模型;利用XX地铁1号线、2号线和6号线在2015-2021年的设备数据、检测数据和维修数据,验证了模型有效性;引入自适应学习的马尔可夫决策过程(AL-MDP),构建了基于Stacking-SVM的轨道维修决策优化模型;利用模型对地铁轨道进行运行状态感知和异常状态预测,通过自适应学习的过程不断学习地铁轨道的劣化机理,并且为轨道的状态预警和维修策略提供个性化、精细化的决策建议;最后,设计并实现了智慧地铁轨道管理系统;引入AL-MDP后进一步降低地铁轨道的维修成本,能够实时掌握地铁轨道的运作状态;该研究给管理者和工作者提供精细化、个性化、更科学的维修优化决策,对维修成本和轨道安全实现双重精准控制。

平均1-依赖决策树集成算法

基于平均1-依赖贝叶斯分类器(AODE)算法的思想,提出了平均1-依赖决策树集成算法(AODT),该算法通过使用每个输入属性和类别属性共同建立集成学习中的个体决策树分类器.同时,我们从多任务学习的角度探讨了AODE和AODT算法的工作原理.通过在Weka平台上使用40个UCI数据集的实验结果表明,该算法可以显著提高决策树学习算法的分类性能,并且具有很好的抗噪声性能.

决策树分类技术研究

决策树分类是一种重要的数据分类技术。该文通过对决策树分类方法的研究,进一步讨论了实际使用过程中决策树学习出现的常见问题的解决方法。为实际应用提供了依据。

让学生设计评价，获取学生学习信息

虽然学习评价在实践过程中主要是由教师设计、实施的,但让学生自己设计评价内容,考察其他学生学习状态,可以帮助教师了解每个学生最看重、最关注的学习内容,以此分析学生的学习状态、发现学生的学习问题,为后续教学决策和帮助学生进行学习决策提供支持。