网络环境下小学生学习方式初探——探索性的数学学习方式

一、网络环境下小学生探索性的数学学习方式的内涵 现代教学观认为,数学教学首先关注的是"教育",其次是"数学".在充分利用数学知识这个"载体"的同时,采用适当的学习方式,使学生通过主动参与、积极探索,在获取知识的过程中,情感、态度、价值观和学习能力得到培养和发展.

基于网络学习行为模式挖掘的用户学习风格模型建构研究

学习风格是影响学习者个性差异最主要的一个因素,深深地影响着学习过程。网络学习首要一个重要目标就是能够自动推测学习者的学习风格,然后实现所有学习者都能按着自己的学习风格去学习,实现网络个性化学习。文章首先提出了学习风格建构模型,然后说明了利用学习风格量表为辅的显性方法初始化学习风格,其次重点探讨利用贝叶斯网络方法挖掘学习行为模式为主的隐性方法推测学习风格。最后比较了利用设定条件的学习风格量表和贝叶斯网络两种方法分别推测学习者学习风格,结果还是值得肯定的,表明利用贝叶斯网络隐性方法为主挖掘网络学习行为模式推测学习风格具有很高的精确度。

基于GSOM神经网络模型的交通行为模式学习方法研究

提出了一种用于基于视频的交通事件自动检测的交通行为模式学习方法。首先为了获取利用神经网络进行车辆行为模式学习所需的训练数据,一种基于运动估算的车辆跟踪算法被建立,将采集到的灰度视频图像序列转化为车辆标号场时空序列。其次,使用轨迹建模和编码的方法,将跟踪结果转化为轨迹数据用于网络训练。在此基础上,建立自组织神经网络,并针对自组织网络的不足使用改进的GSOM模型,选择欧氏范数作为测度,自主开发了试验软件,以U形转事件为对象开展试验,对轨迹数据进行学习。对比试验结果表明改进的GSOM算法能有效提取行为模式。GSOM相比SOM用于行为模式学习更为有效和准确。

基于改进式UTAUT模型的网络学习平台多模式应用对比研究

移动计算终端与高速无线网络的深度普及,促使高校数字化校园建设步伐加快,网络学习平台移动式应用在大学生群体中的接受度和普及度达到新高。但与基于台式电脑和互联网的非移动式应用研究已经十分丰厚的现状相比,移动式应用研究仍旧匮乏。本研究以改进式UTAUT模型为理据,探讨多种应用模式在该模型直接因素上的差异。研究发现,非移动应用为主、移动应用为辅的混合应用模式在努力期望、社群影响、便利条件、焦虑水平和行为倾向5个因素上显著优于纯非移动、纯移动及其他混合应用模式,被受试视为最有效的应用模式;各种应用模式在绩效期望和个人创新上无显著差异。研究在设计与开发、资源与设施建设、社群影响等维度获得了提升学习平台移动式应用的启示。

基于深度学习的手腕多运动模式分类模型

基于sEMG信号模式识别的假肢控制方法是目前重要的假肢控制方法,为了解决分类识别率和时间延迟无法兼顾的问题,本文结合CNN与RNN的优势,提出一种适用于sEMG的基于一维卷积循环网络(1D-CNN-RNN)的手腕动作分类模型,并对其实时识别性能进行分析。本文提出的1D-CNN-RNN分类模型对设定的多种手和腕部动作模式有较好的分类效果,并且平均时延在人体无明显延迟感的时间范围内,有望为肌电假肢手提供一种有效的控制方法。

基于多学习模式的网络化案例式教学模型架构研究

信息网络环境下的案例式教学与多学习模式的运用可以更大程度地提供给学习者以自主性与学习方便。在信息网络环境下基于多学习模式的案例式网络教学系统中的要素关系不再是简单的单向教学活动,而变得更加丰富。通过对基于多学习模式案例式网络教学中各元素间关系的分析,逐步建立系统的概念模型、系统实现模型与体系架构。

基于Hopfield神经网络模型的启发式学习算法及其在数字模式处理中的应用

本文给出了一个基于Hopfield神经网络的启发式学习算法.使用这个算法对6个分别被0.1和0.5随机噪声干扰的数字模式成功地进行了校正处理,得到了较好的结果.

用于模式识别的前馈式神经网络区域映射模型

提出了一种新的用于模式识别问题的前馈式神经网络模型———区域映射模型 .该模型将输入空间每一类的特征参数区域映射成输出空间中对应的一个区域。模型具有训练和实际应用中分类标准相一致的性质 ,使模式识别分类更为合理和自然 ,相应的误差函数的改变可以加快网络的训练速度 .

网络学习环境下基于ARCS动机模型的自适应学习模式探究

随着网络学习环境的迅速发展,自适应学习的研究点越来越精细,并且自适应学习的方法得到了新的突破。自适应学习尤为重要的特点是实现在不同的学习时段为各个学习者提供相适应的学习资源,以及调动学习者的学习主动性。文章基于ARCS动机模型,探讨网络环境支持下自适应学习的模式,推进自适应学习在学习能力上不仅为掌握学习,而且为控制学习与再学习主动,其次指出了自适应学习的挑战与发展趋势。

网络课程学习质量综合评价模型研究

文章着重讨论网络课程学习质量综合评价的数学方法,由于综合评价方法属于难以确切描述的概念范畴,故运用模糊数学方法建立网络课程学习质量的综合评价模型。并且结合深圳职业技术学院网络教学的应用案例来验证综合评价的数学模型具有实用价值。

基于建构主义的CSCW个性化的网络学习模型

随着以计算机技术和网络技术为核心的现代信息技术的飞速发展,人们越来越多地把学习过程放到网络上来,而不再局限于传统的教室学习,因此网络学习得到了迅速推广。然而,受传统教育理论、教学思维的限制,目前网络教学研究中所提出的各种设计思想和策略往往忽视用户特殊行为这一重要信息,没有给出针对其个性的信息反馈,使得现有的大部分网络学习系统缺乏个性,降低了用户的学习兴趣。本文在分析网络学习模式的基础上结合Agent技术提出一种建立在建构主义学习理论之上的GSCW个性化的网络学习模型。

一种网络学习资源的检索模型研究

首先介绍了四种网络学习模式,并探讨了这四种模式中的最流行的网络学习模式—个别化的网络学习模式的资源特征。然后对个别化的网络学习模式,构建了一种基于语义的检索模型,并对模型中各组成部分的主要作用和模型的检索过程进行了阐述。最后通过实验的验证,证明了模型的合理性和有效性。

一种基于小波型函数链神经网络的竞争学习模型的设计与应用

神经网络模式分类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“赢者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络模式分类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,本文采用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了基于小波型函数链神经网络的竞争学习模型,充分利用小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适用性强等特点。

网络环境下大学英语研究性学习模式研究

一、引言 在信息社会中，为了推动大学英语教学模式的改革，培养学生的语言综合应用能力，2004年1月教育部正式颁布了《大学英语课程教学要求》，明确提出了大学英语的教学模式和标准。按照这个要求，教学方法要打破过去单一的传统课堂教学模式，由被动的接受式学习转向主动的探索性学习和研究性学习。

基于高校网络教学平台的混合学习模式研究——评《高校教师网络教学影响因素和对策研究》

高校教师网络教学的深入发展对于提升教育质量和实现高等教育现代化具有重要的意义。《高校教师网络教学影响因素和对策研究》(方旭著,科学出版社2015年版)一书在信息技术执行阶段模型的理论基础上,分析影响高校教师网络教学的各种因素,对不同时间段的高校教师网络教学进行了验证,并针对不同时间段的问题提出了有针对性的对策,以提升高校教师对网络教学的接受度,改善高校教师网络教学行为。

一种用于多类模式识别的综合感知器网络和学习算法

提出一种由感知器神经元组合成的综合网络模型及相应的学习算法 .网络由 3层感知器神经元组成 ,中间层到输出层的权值相应地为 +1或 - 1.输入层到中间层的权值通过学习获得 ,且中间层每个神经元的权值单独学习完成 .该学习算法在有限次迭代步骤内终止 .当算法终止时 ,对于可线性划分的多类模式识别问题总是能找到正确的解 .如果还有模式不能识别 ,则说明这是一个不可线性划分的多类模式识别问题 。

用于统计模式识别的一个神经网络模型

本文提出了一个适用于统计模式识别任务的阶层式前馈神经网络模型。该网络的输入信号是由一个信源随机生成的。网络通过一个随机学习算法进行训练，使得网络的期望损失达到极小值。经过训练后的网络根据胜者全取规则判决输入的模式信号所属于的模式类别。

基于知识观的突破性创新网络组织模式研究

创新网络已成为企业进行技术创新的主要组织形式,而创新网络的特征影响着企业知识学习模式。知识创新是突破性技术创新的重要前提,它需要通过探索性学习和利用性学习获得。企业通过建立二元型创新网络模式,平衡探索性学习和利用性学习之间的矛盾。通过引入捕食者模型(Lotka-Volterra模型),分析二元型网络间形成知识捕食关系有利于两类学习网络间知识流动与互补,使新知识创造过程能不断循环,从而使企业实现探索性学习和利用性学习的平衡,有利于突破性技术创新。

基于网络学习空间的混合式小学数学教学模式探讨

网络学习空间是一种新兴有效的学习交流方式，是多元化的网络资源共享平台。如何将先进的网络信息技术深入地融合课堂教学中是一个值得关注的问题。文章以山东省胶州市李哥庄镇李哥庄小学的小学数学课程为例，提出了基于网络学习空间的混合式教学。文章对两种新型的教育模式“正向式”教学模式与“逆向式”教学模式进行了重新的界定，分别对两种模式的特点及适应场合进行了深入分析，提出了混合式切换教育模式。该模式兼具“正向式”教学与“逆向式”教学的优势，教师可根据不同章节的难易程度与班级水平的高低灵活选择合适的教学模式，实现教学效果的最优化。然后提出我们在“正向式”与“逆向式”教学模型的基础上，构建基于网络学习空间的混合式教学模型，以期为现代化信息教育的研究开辟一条新的途径。

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整 BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型 ;即先通过遗传学习算法进行全局训练 ,再用权重调整 BP算法进行精确训练 ,使网络收敛速度加快和避免局部极小 .作为实例 ,以新疆雅马渡站的实测径流资料和相应的前期 4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量 .结果表明 。