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。

基于世界模型深度强化学习的含风电电力系统低碳经济调度

通过调度手段提高发电侧风电等可再生能源利用率,降低常规火电机组的碳排放是实现双碳目标的重要手段。针对含风电电力系统的低碳经济运行问题,提出一种基于世界模型深度强化学习的调度方法。首先,计及碳交易成本与发电成本构建了系统运行总成本最低的调度模型,采用基于世界模型的双延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法求解系统各机组最优出力策略。该算法通过“因果Transformer”神经网络的自注意力机制和多层堆叠结构学习世界模型以等效真实环境,进一步结合TD3算法在世界模型决策空间中开展大规模探索,提高决策稳定性。以改进IEEE30节点系统为例,通过所提算法求解得到各机组发电策略,实现了含风电电力系统的低碳经济调度目标,表明该方法能有效提升风电消纳,减少系统碳排放量,降低运行成本。

在线学习个性化推荐中多维度学习者模型研究

随着在线学习平台的广泛使用,在线学习资源快速增长,“信息迷航”问题亟待解决。针对在线学习个性化推荐中以单一特征为主,多维度学习者模型研究较少的问题,文中以CELTS-11学习者模型规范为基础,以教育学相关理论为指导,对学习者的学习风格、知识状态、认知能力、兴趣偏好等多维度的个性化特征进行细化分类研究。利用教育数据挖掘等技术获得学习者特征项,进而构建出个性化的多维度学习者模型。该模型为后续在线学习个性化的推送服务提供有力的依据。

混合式学习效果影响因素及机制研究——基于结构方程模型的实证分析

混合式学习已成为高等教育的一种教学新常态,其中学生的学习效果更值得关注。该研究立足于教学活动的双重主体——教师与学生,基于3P学习分析框架,构建了学生学习预备、教师教学能力、感知易用性、感知有用性、交互行为、学习氛围与在线学习效果之间的关系模型,并采用结构方程模型法分析其作用关系和影响效应。相关研究表明,学生的学习背景对学习过程及学习结果均有显著正向影响;教师作为教学活动的核心主体,其教学能力对学生学习过程体验具有重要作用;感知易用性、感知有用性、交互行为、学习氛围对于混合式学习中学生的认知收获、主观情感体验均能产生正向影响。最后,提出优化学生混合式学习效果的方向和路径,以期为高校混合式学习提供参考。

基于理想过程模型的探究学习评价——探究学习评价的新思路

在教育情境下,探究学习被定义为旨在达到特定高阶能力目标的学习过程。因此,其评价应侧重于过程取向,而非结果取向。为刻画理想的探究学习过程并保留情境信息,特别是学习目标信息,需对特定的探究学习设计进行理想过程建模,所生成的理想过程模型可作为评价实际发生的探究学习的标尺。探究学习的理想过程建模包括以下五个步骤:(1)完成探究学习的详案设计;(2)绘制探究学习活动所蕴含的知识建模图;(3)具体描述探究学习的整体过程;(4)将探究学习整个过程划分为多个环节,并绘制探究环节图;(5)将所有环节图按照探究学习的一般过程连接成一个整体,形成理想过程模型。对实际发生的探究学习也应进行上述操作,并在完成预处理后,生成探究学习的真实过程模型。通过比较真实过程模型与理想过程模型,找出差异点,依此可以评估实际发生的探究学习。这种评价方法不仅有助于了解探究学习的质量,还能为探究学习设计的改进提供反馈,更为重要的是,它可以使探究学习成为日常教学的一部分。

基于水文水动力模型和机器学习模型耦合的河道水位预报方法

为探讨利用水文水动力模型和机器学习模型来提高河道水位预报精度的可行性,首先利用水文水动力模型进行河道水位预报,采用支持向量机模型对水文水动力模型的预报结果进行校正,进而构建了一种耦合水文水动力模型和机器学习模型的河道水位预报模型。在广州市南沙区蕉西水闸的应用结果表明,构建的耦合模型的预报效果优于单一的水文水动力模型,明显地提高了不同预见期下的水位预报精度;尽管随着预见期的增加,耦合模型的预报精度有一定的衰减趋势,但整体上仍优于水文水动力模型提供的水位预报结果。

基于机器学习算法的静脉用药风险预测模型构建及验证

目的:收集患者临床信息,采用机器学习算法构建患者静脉用药风险预测模型。方法:回顾性纳入静脉用药患者(建模组1 302例和验证组281例),采用药学监护联盟协会提出的药物相关问题V 9.09分类标准分析患者存在的药物相关问题,采用logistics回归、神经网络、CHAID决策树、贝叶斯网络、支持向量机等机器学习算法构建静脉用药风险预测模型,并采用混淆矩阵格式对各预测模型进行评价。通过准确率、召回率、精确率、F1值以及生成验证受试者工作特征曲线下面积(area under curve,AUC)评价模型的预测性能。结果:患者药物相关问题发生率为26.9%。患者药物相关问题主要集中在治疗安全性方面(n=556,94.9%),其次是治疗有效性方面(n=30,5.1%)。构建的模型中支持向量机的预测效能最好,AUC为0.826。结论:机器学习算法构建的静脉用药风险预测模型预测效能良好,可为静脉用药安全管理提供新思路和新方法。

基于作物模型与机器学习的水稻障碍型冷害脆弱性研究

以水稻障碍型冷害为例,提出一种突破数据限制并兼顾承灾体反应机理的新方法,构建农业气象灾害脆弱性曲线。基于1990-2010年气象数据设计水稻抽穗开花期的障碍型冷害情景,通过MCWLA-Rice作物模型和机器学习混合建模法计算对应的水稻单产损失,最终建立不同水稻主产区的障碍型冷害脆弱性曲线,并对1961-2010年水稻障碍型冷害单产损失快速评估。结果表明:(1)机器学习可有效重现作物模型模拟精度(RRMSE<6%,R^(2)>0.93)。(2)水稻障碍型冷害脆弱性具有明显的空间和种植制度差异,高纬地区到低纬地区水稻脆弱性整体呈下降趋势,且晚稻脆弱性普遍低于早稻。(3)一季稻抽穗开花期障碍型冷害的年均单产损失(1224kg·hm^(−2))高于双季稻(早稻:868kg·hm^(−2);晚稻:807kg·hm^(−2))。

基于机器学习模型的高植被覆盖区浅层滑坡预测

为探究高植被覆盖区浅层滑坡的影响因素并构建最优的滑坡预测模型,该研究以华蓥市山区林地为研究对象,考虑了蓄积量、林分密度、平均树龄、林分类型和红绿植被指数(green-red vegetation index,GRVI)等植被因子,并结合地形地质因素,经过Boruta重要性分析以及共线性诊断,利用Logistic回归模型、广义相加模型、随机森林模型、支持向量机模型和人工神经网络模型等5种机器学习模型构建华蓥市山区林地浅层滑坡预测模型,并结合历史滑坡点检验,提出华蓥市山区林地浅层滑坡的最佳预测模型及高易发性区域的植被特征。结果表明:1)工程地质岩组、距河流距离、距断层距离、林分类型、平均树龄和蓄积量是影响浅层滑坡的主要因子;2)不同因子组合对模型精度有极大的影响,考虑蓄积量、林分密度、平均树龄等植被因子有利于提高模型的预测精度;3)在5种模型中,预测精度最高的模型为随机森林模型,精度可达到95.05%;4)研究区高易发性及以上区域的面积为25.31 km^(2),占研究区总面积的14.79%,低密度(1000~1500株/hm^(2))、高蓄积量(>80 m3/hm^(2))和高树龄(>30 a)是浅层滑坡发生的主要植被特征。该研究结果可为中国高植被覆盖区极端暴雨型滑坡的预警与防控提供科学决策和技术支撑。

基于机器学习算法构建血常规指标肺结核诊断模型

目的基于机器学习算法,利用血常规检验数据构建肺结核诊断模型,并分析其临床应用价值。方法选取2019年1月—2022年12月上海市徐汇区中心医院469例初诊肺结核患者(肺结核组),以年龄、性别相匹配的506名体检健康者作为正常对照组。收集所有研究对象22项血常规检验数据和人口学参数。采用LASSO回归分析评估共线性。将数据集随机分为训练集(75%,用于机器学习模型构建)和测试集(25%,用于模型性能评估)。采用分布式随机森林(DRF)、深度学习、梯度提升机和广义线性模型这4种机器学习算法进行测试,采用5倍交叉法进行验证。采用受试者工作特征(ROC)曲线评估模型的诊断效能。结果基于Logistic回归分析和LASSO回归分析结果进行模型特征重要性排序,共筛选出10个非共线性指标,结果显示,DRF是构建肺结核诊断的最佳机器学习算法。在训练集和测试集中,DRF模型的曲线下面积分别为0.9921和0.8474,敏感性分别为99.16%和92.04%,特异性分别为80.91%和55.22%,准确度分别为89.84%和72.06%。结论基于机器学习算法构建的血常规检验数据肺结核诊断模型是一个有效的诊断工具,但其临床应用价值需要进一步验证。

强化学习引导模型生成的深度学习框架漏洞挖掘

现有基于应用模型挖掘漏洞的方法随机生成模型的结构信息,容易造成大量低质测试用例的生成,严重影响漏洞挖掘的效率和效果.针对该问题提出了一种强化学习引导模型生成的深度学习框架漏洞挖掘方法.提取模型运行时的框架状态信息,包括Softmax距离、程序执行结果等,再将框架运行状态信息作为奖励变量指导模型结构与超参数的生成,进而提升测试用例的生成质量与效率.实验结果表明,在生成测试用例数量相同的条件下该方法能够发现更多深度学习框架的漏洞,实用价值高.

基于迁移学习和逻辑回归模型的花卉分类研究

【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。

口令攻击的集成学习模型构建方法

多年来,研究者们提出了多种不同的口令模型,提高了口令攻击的效率,其中包括基于概率上下文无关模型、马尔可夫模型等不同原理的方法,它们分别捕捉了口令中不同方面的特征,这使得通过这些不同特征结合到一起来提高攻击效率成为可能.另一方面,在机器学习领域被广泛使用的集成学习方法能够整合多种模型来学习数据集中的不同特征,因此本文提出将集成学习应用于口令生成领域.本文提出了可扩展的集成口令攻击方法,并重点描述它的两个实例,通过分析多个重要的影响因素,以及进行大量实验来研究它们对攻击性能的影响.本文提出的集成口令攻击方法可以显著提升攻击效率,实验结果表明它相对于经典口令模型有着更高的攻击成功率,尤其是在跨站攻击的场景中,有近20%的提升.

基于模型质量评分的联邦学习聚合算法优化

在联邦学习环境中,客户端数据的质量是决定模型性能的关键因素。传统的评估方法依赖于在中心节点的验证集上衡量客户端模型的损失,从而对数据质量进行评估。在缺乏有效验证集的情况下,数据质量的评估是困难的。为了解决上述问题,提出了一种根据同伴信息进行模型质量评分的方法。通过对客户端上传的模型参数进行裁剪处理,基于正确评分规则的相关理论设计模型质量评分机制,并在此基础上优化聚合算法,降低低质量客户端对全局模型的影响。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明,提出的评分机制无须复杂的算法,且能有效辨别搭便车、噪声、错误标签三类低质量数据客户端,提高联邦学习性能的鲁棒性。

基于二阶价值梯度模型强化学习的工业过程控制方法

为了实现对高延时、非线性和强耦合的复杂工业过程稳定准确的连续控制,提出了一种基于二阶价值梯度模型强化学习的控制方法。首先,该方法在模型训练过程中加入了状态价值函数的二阶梯度信息,具备更精确的函数逼近能力和更高的鲁棒性,学习迭代效率更高;其次,通过采用新的状态采样策略,可以更高效地利用模型进行策略学习。最后,通过在OpenAI的Gym公共实验环境和两个工业场景的仿真环境的实验表明:基于二阶价值梯度模型对比传统的基于最大似然估计模型,环境模型预测误差显著降低;基于二阶价值梯度模型的强化学习方法学习效率优于现有的基于模型的策略优化方法,具备更好的控制性能,并减小了控制过程中的振荡现象。可见该方法能有效地提升训练效率,同时提高工业过程控制的稳定性和准确性。

BOPPPS模型的参与程度对本科生医学英语学习兴趣的影响分析

目的研究不同参与式学习程度的BOPPPS模型教学对本科生医学英语学习兴趣的影响。方法设计两套BOPPPS模型教案A套和B套,在导入(bridge-in)、目标(objective)、提前评估(pre-assessment)、课后评估(postassessment)和总结(summary)这5个阶段设计相同,在参与式学习(participatory learning)阶段区别设计,分别采用6种和3种参与学习方式,对同一班级学生的两次授课后进行问卷调查。结果A套和B套教案授课后分别收回问卷40份和36份,相比于A套教学,B套教学的学生感兴趣人数比例更高(72.2%vs 45.0%,P<0.05);对授课老师总体评分≥4分的学生比例更多(83.3%vs 60.0%,P<0.05);掌握授课内容≥60%的学生比例增加,但差异没有统计学意义(55.5%vs 35.0%,P>0.05)。结论医学英语课堂教学中采用适度参与形式的BOPPPS模型可以提升医学生的学习兴趣。

基于血液自噬相关基因构建的静脉血栓栓塞机器学习模型研究

目的利用生物信息学构建自噬相关基因(autophagy related genes,ATGs)的静脉血栓栓塞(venous thromboembolism,VTE)诊断预测模型。方法根据GSE19151数据集分析VTE人群的差异性ATGs(differentially expressed autophagy-related genes,DE-ATGs)和免疫细胞浸润,建立最优机器学习模型并通过诺谟图、校准曲线、决策曲线分析和外部数据集验证模型的预测效率。结果VTE患者中发现18个差异性表达的ATGs和差异的免疫细胞浸润。诺谟图、校准曲线和决策曲线分析证明机器学习模型对预测VTE具有一定的准确性,其中支持向量机器(support vector machine,SVM)机器学习模型对VTE的预测准确性最高。以SVM模型最重要的5个基因PRKCD、ULK1、CD46、PRKAR1A和FOS作为预测基因,在外部验证数据集表现出令人满意的性能,且与VTE患者的风险有关。结论研究首次揭示自噬与VTE之间的关系,并建立最优的机器学习模型来评估VTE患者的风险。

基于机器学习构建肺腺癌骨转移自动化模型

目的采用机器学习算法对关键变量进行识别,并对肺腺癌(LUAD)患者骨转移风险进行预测。方法回顾性分析2019年1月至2022年6月淮南东方医院集团附属肿瘤医院收治的132例确诊非小细胞肺癌(NSCLC)患者的临床资料,包括是否发生骨转移、年龄、性别、病理类型、吸烟状况、T分期、N分期、骨转移前是否有其他部位的转移,以及癌胚抗原(CEA)、碱性磷酸酶(ALP)、鳞状细胞癌抗原(SCCA)、糖类抗原125(CA125)、细胞角蛋白19片段抗原21-1(CYFRA21-1)、神经元特异性烯醇化酶(NSE)、钙(CA)水平。采用LASSO回归分析方法来筛选与骨转移相关的关键特征,并将其用于构建6种机器学习模型,另收集63例NSCLC患者的临床数据用于模型的外部验证。不同模型的预测性能通过受试者工作特征曲线(ROC曲线)来评估。校准曲线和DCA曲线用于验证所建模型的准确性和获益能力。使用SHAP包对logistic模型进行解释。结果LASSO回归分析最终筛选了4个重要变量,包括性别、N分期、CEA水平和糖类抗原CA125水平。在6种机器学习模型中,logistic模型在训练集(AUC=0.710)、测试集(AUC=0.705)和外部验证集(AUC=0.655)均具有最佳的预测效能和稳定性。SHAP图显示在logistic模型中4个变量的权重从高到低依次为CEA、性别、T分期和CA125。成功构建了LUAD骨转移的机器学习模型和网页计算器。结论logistic预测模型可以识别LUAD骨转移高风险患者,这有助于临床医生指导高危患者做出适当预防措施。

高职院校学生ARCS学习动机模型的探索与实践

本研究利用发放调查问卷、查阅文献和现场访谈等方法,结合ARCS学习动机模型,对现阶段高职院校学生学习现状进行调查研究。结合调查分析结果,借助ARCS学习动机模型进行教学设计并实施教学,调动学生学习的积极性,激发学生的学习动机,提高了学生的学习兴趣和学习能力。

在线研修中教师深度学习测评模型构建及支持对策研究

在线研修是“互联网+”时代促进教师专业发展的重要途径之一,随着国家智慧教育云平台服务的增强,在线研修的教师人数逐年增长,如何评价在线研修中教师深度学习成为亟需解决的问题。该研究基于比格斯的学习一般过程模型与布鲁姆认知目标、辛普森动作技能目标和克拉斯沃尔情感目标分类体系构建了教师深度学习评价模型,并从中提取了价值认同、理解迁移、系统建构、反思批判与问题解决五个评价深度学习的核心要素。基于评价模型编制了“教师深度学习评价量表”,从教师先验知识、学习过程和学习结果三个方面对917位教师进行测评。研究发现:(1)参与在线研修的教师深度学习比例较低;(2)不同教龄、先验知识的教师在深度学习时存在显著的群体差异;(3)成就动机与元认知策略是影响教师深度学习的关键因素;(4)教师深度学习的五大核心能力发展尚不均衡,教师联系型及创新型问题解决能力有待加强,批判性思维能力有待改善,教师对在线研修价值认同感不足,研修内容与学习需求的匹配度有待提升。鉴于此,提出了促进教师深度学习的策略与建议。