基于“意图本位”的初中记叙文写作教学内容的确定

文章认为学生记叙文写作中存在的两种错误偏向，是由记叙文教学内容选择的“技巧本位”导致的。在此基础上，文章指出记叙文教学内容的选择必须实现从“技巧本位”到“意图本位”的华丽转身，才能实现初中记叙文写作“表达意图明确，内容具体充实”的目标，彻底扭转记叙文写作言之无物、无病呻吟、自说自话的歪风。

基于“意图本位”的《世间最美的坟墓》新读

很多语文教师在讲解《世间最美的坟墓》时，遵循的是“写了什么”和“怎么写”的思路，这是从“意思本位”出发来解渎文章的。但笔者认为，合理的或者真正到位的文本解读首先要解决的是写作动机问题，即“为什么写”，只有在“意图本位”的视角下，

基于“意图本位”的初中实用文阅读教学内容研究

我国目前的语文教学中，往往比较重视文学性作品的阅读，从入选教材课文的比例来看，文学作品明显占了绝对优势。因此，无论是语文课程教材层面，还是教学方法的探讨来看，实用文阅读教学始终处于弱势。其实，叶圣陶先生早就说过：“其实国文所包的范围很宽广，文学只是其中一个较小的范围，文学之外，同样包在国文的大范围里头的还有非文学的文章，就是普通文。”这里所述的“普通文”就是我们现在说的实用文。

“意图本位”的初中实用文教学内容研究

实用文教学是语文教学中很重要的一块内容，在初中语文教材中占近三分之一的篇目。如何教好这些实用文，培养学生阅读和写作实用文的能力，不仅仅是语文学习的需要，更是学生走上社会，应付生活实际的需要。在初中实用文的实际教学中，存在着教师“教之无味”、学生“学之无趣”、“读写分离”的现状，很大程度上使初中实用文的教学陷于低效，甚至无效的境地。

化“语文实践能力”为“语文素养”——浅谈阅读教学的“意图本位”

2011年版的《语文课程标准》阐述课程基本理念时，将“初步获得现代社会所需要的语文实践能力”改为“初步获得现代社会所需要的语文素养”。与“语文实践能力”相比较，“语文素养”的涵盖面更大，它不仅仅包括技能性的能力要求，更是对整体素质的要求。作为一线的教师，怎样才能将这种指导性的理念化为可操作的方法和策略呢？怎样才能兼顾学生的语言发展和精神成长呢？

基于强化学习的对抗意图识别

未来智能化战争复杂多变,敌我双方往往以对抗博弈情况出现,当我方作为攻击者时,如何有效隐藏我方意图实施有效打击,以及我方作为防御者时如何识别敌方意图实施有效防御,对战争局势的走向起到决定性作用。为把握战争局势,做到“知己知彼,百战不殆”,基于强化学习方法针对对抗意图识别问题提出了解决方案。仿真结果表明,基于强化学习被识别者可以有效地进行意图欺骗,而识别者可以通过意图识别设计方法有效地迫使被识别者暴露意图,从而采取攻防措施。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

意图信息透明与互惠意图促进人际信任:来自噪音信任博弈的证据

信任决策是个体在不确定性下作出是否信任他人的风险性社会决策,是人类社会生活的重要组成部分。研究采用噪音信任博弈范式,旨在从互动环境与主体的双视角出发,验证意图信息透明度以及意图类型与决策结果在信任决策中的重要作用。实验1以无噪音条件作为基线,探索意图信息透明度(清晰vs.模糊)对信任决策的影响。结果发现:被试在意图信息模糊条件下的信任水平显著低于无噪音和意图信息清晰条件;实验2探索在意图信息清晰时,意图类型(互惠vs.违背)与决策结果(收益vs.损失)对信任决策的影响。结果发现:不论结果是收益或损失,互惠意图组被试的信任水平都显著高于违背意图组。研究揭示了在人际互动中意图信息透明和互惠意图均是个体作出信任他人决策的重要依据。

时序数据图像化:战术意图识别及可移植框架

通过将时序编码为图像,提出了一种结合曲线滤波技术和EfficientNetV2图像识别网络的鲁棒且可移植的战术意图识别框架。曲线滤波技术可以有效地减少大量时域特征、模型参数和训练时间的冗余,基于此,提出了一种改进的格拉姆角场方法将时序编码为图像,提高了卷积神经网络的特征提取能力。EfficientNetV2网络能够有效地处理意图图像,并成为预训练模型,使得在不同系统之间进行迁移学习成为可能。实验结果表明,所提框架相对于机器学习及深度学习等方法提高了0.99%以上的准确率,具有更好的性能、可扩展性、鲁棒性和可迁移性。

基于驾驶员意图采集的车辆状态控制系统分析

驾驶员操作意图是整车状态变化的基础,对整车运行具有重要影响。以驾驶员操作意图为研究的出发点,对驾驶员执行车辆各种操作时,车辆的状态进行分析,主动包括启动自检工况,档位变化、加速、制动、转向等工况;基于分析结果对各工况的控制流程进行分析和设计;提出了实现车辆基本功能的控制模式,并对控制电路进行设计。在此基础上,应用实车调试,对控制系统进行了测试。结果可知:对车辆进行准确控制的前提是对驾驶员意图进行准确的分析采集,控制流程应简洁明了,尽可能减少控制器的执行周期,缩短控制周期;实车测试表明系统能准确的实现驾驶员的操作意图,实现加速、减速、制动等,表明所设计的控制系统的可靠性与准确性,为此类设计提供参考。

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动(AEB)系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值(K-Means)聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。

基于攻击意图的工业网络抗毁性评价研究

随着工业网络的迅猛发展,安全事件层出不穷,网络抗毁性成为了该领域关注的焦点之一。针对工业网络中的安全问题,以攻击意图为切入点,开展了工业网络抗毁性评价问题的研究。首先,通过对已知攻击案例的分析,识别了多种攻击类型及其潜在影响;然后,区别于现有针对网络系统本身特性的评价方法,将攻击的潜在意图纳入考量,构建了一个综合性的抗毁性评价方法;最后,在一个工业网络系统模型上,通过与现有流行的网络系统抗毁性评价方法对比,发现所提出的基于攻击意图的工业网络抗毁性评价方法具有更加客观、稳定的评估效果。该抗毁性评价方法综合考虑了外界攻击的意图、发生概率、影响范围以及可能的后果,有效刻画了不同场景下系统面对相同规模外界攻击时的抗毁性。

高职院校在线课程的学生持续使用意图研究——基于信息系统持续使用模型

在线课程建设在高校如火如荼,提高学生对在线课程的持续使用影响着在线课程功效的发挥。本研究以信息系统持续使用模型为基础,围绕高职学生在线课程学习中的线上学习准备度、学习成效和持续使用意图构建研究模型,并对此进行了实证分析。结果表明:线上学习准备度分别显著部分正向影响学习成效、持续使用意图,学习成效与持续使用意图之间也成显著正向影响,学习成效在线上学习准备度与持续使用意图之间发挥中介效应。因此,高职院校应围绕学习成效提升为中心,以激发学习动机为基础,并发挥其它子维度的功效,是有利于提升高职学生在线课程的持续使用意图;同时多维度多层次来倡导、实施和推进自主学习是持续提升高职学生在线课程持续使用意图的突破口之一。

基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

结合用户共同意图及社交关系的群组推荐方法

已有的群组推荐模型,在求解用户表示时大多比较单调且仅简单利用用户间的社交关系,使得用户表示不够准确,并且大都未考虑用户共同意图以及社交关系对群组偏好的影响,导致推荐的项目很难符合用户的需求。基于此,提出一种结合用户共同意图及社交关系的群组推荐模型(GR-UCISI)。首先构造用户-项目交互历史与社交关系相结合的用户意图分离模型,利用图神经网络采集每个用户的用户-项目交互以及社交关系信息,求解用户意图和项目表示;其次利用网络游走算法与K-means聚类算法将用户分组,结合用户群组、用户意图以及群组意图聚合过程获取群组共同意图表示;最后根据群组共同意图表示与项目表示得出群组推荐项目列表。该方法充分考虑到用户的个性以及群组成员间的共性对群组偏好的影响,同时结合社交关系缓解数据稀疏性问题,提升模型性能。实验结果表明,与9个对比模型中推荐效果最好的模型相比,在Gowalla数据集上,GR-UCISI的Precision和NDCG指标值分别提高3.01%和5.26%;在Yelp-2018数据集上,GR-UCISI的Precision和NDCG指标值分别提高2.96%和1.12%。

鲸鱼算法优化CNN-BiGRU-ATTENTION的车辆换道意图识别模型

针对时空多样特征、超参数敏感性影响车辆行为意图识别精度的问题,提出一种改进的CNN-BiGRU-ATTENTION混合换道意图识别模型。采用目标车辆轨迹序列和与周围车辆互动特征作为模型输入进行训练,实现考虑车辆动态变化状态的意图识别预测;使用鲸鱼优化算法对模型调整参数进行多目标寻优,降低模型调优难度;利用NGSIM数据集对模型进行评估校验。结果表明:所提出的WOA-CNN-BiGRU-ATTENTION模型与CNN-BiGRU-ATTENTION模型、Transformer模型相比,准确率分别提升了4.53%、0.97%,达到97.64%;WOA-CNN-BiGRU-ATTENTION模型在不同预判时间下的意图识别准确率最高,在换道前2.5 s的识别精度均能达到91%以上,证明模型具有较强的车辆换道意图识别性能。

基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory,M-LSTM)网络的换道意图预测模型。首先采用S-G(Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine,SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。

考虑制动意图识别的四驱电动汽车制动控制策略

为进一步提高制动能量回收率,考虑不同工况下驾驶员不同制动意图所需的制动效果,提出了一种四驱电动汽车制动控制策略。首先,针对常规制动工况,基于常规制动意图识别,从制动能量回收率、稳定性和安全性角度分别设计控制策略;其次,针对滑行工况下的不同滑行制动意图,判断电机制动力是否介入及何时介入,并根据驾驶员所需的滑行距离计算电机制动力的大小;然后,由台架试验获得前后电机外特性并建立前后电机最优利用效率模型;最后,利用Carsim和Simulink进行了联合仿真分析。仿真结果表明,在新欧洲驾驶循环(New European Driving Cycle,NEDC)工况下,与并联控制策略相比,能量回收率提升了13.64百分点;在滑行工况下可有效识别驾驶员需求滑行距离,提升了整车滑行经济性。

意图孪生:人工智能军事化的国际安全挑战与治理路径

人工智能对人类的威胁,并不是它在智能上的不断升级并最终进化出“类人”意识,而是它所承载的人类意图。神经网络技术的进步显示,人类正在将其意图复制到人工智能载体上。当前,人工智能军事化的浪潮承载着人类的消极意图,它将颠覆大国之间的军事实力平衡,更重要的是,它将导致国家之间的敌意孪生到人工智能系统中,进而给人类整体带来重大威胁。国际社会对人工智能军事化的管控,应该以人类共同安全为指导原则,以人类命运共同体为价值引领,构建基于人工智能的知识共同体,从科学层面判断人工智能意图孪生的技术拐点,并通过国际军控机制和国家之间军控协议缓解安全困境,多轨并行推进以精准管控人工智能军事化的安全挑战。