基于学业质量的义务教育体育与健康课程学习评价的内涵解析、应然取向与实践框架

体育与健康课程学习评价是确保体育与健康课程改革落到实处的关键举措和重要保障。《义务教育体育与健康课程标准(2022年版)》研制了学业质量标准,为义务教育体育与健康课程学习评价改革提供了依据。在系统分析基于学业质量的体育与健康课程学习评价的内涵和应然价值取向的基础上,以评价三角理论为理论基础,构建了认知、观察、解读、运用“四位一体”的体育与健康课程学习评价实践框架,其中学业质量标准是认知框架设计的依据,学习评价指标体系是学习评价的具体内容,而基于证据推理的过程模型是体育与健康课程学习评价的基本范式。

谷歌TensorFlow机器学习框架及应用

TensorFlow是谷歌的第二代开源的人工智能学习系统,是用来实现神经网络的内置框架学习软件库。目前,TensorFlow机器学习已经成为了一个研究热点。由基本的机器学习算法入手,简析机器学习算法与TensorFlow框架,并通过在Linux系统下搭建环境,仿真手写字符识别的TensorFlow模型,实现手写字符的识别,从而实现TensorFlow机器学习框架的学习与应用。

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.

生成式AI时代大学生智能学习助手:框架、挑战与应对

生成式AI时代人工智能技术的快速发展,为大学生智能学习助手的产生和发展提供了坚实的技术支撑。研究以联通主义学习教学交互与认知参与模型为指导,针对生成式AI时代大学生智能学习助手的设计框架、现实挑战与建设进路展开。研究发现,生成式AI时代大学生智能学习助手的设计框架包括三大功能:作为知识获取的智慧平台,为学习者提供友好的学习交互体验的基础功能;作为知识交流的智能座舱,支持学习者的深度学习和研究活动的进阶功能;作为知识生产的创新引擎,促进学生全面持续性发展的高级功能。生成式AI时代大学生智能学习助手的现实挑战包括技术内容可靠性困境、互动与创生困难以及数据的伦理难题。为此,研究提出了大学生智能学习助手的建设进路:一是整合多元资源,提升智能学习助手的问答准确性;二是提升智能素养,促进师生与智能学习助手良性互动;三是完善政策标准,保障智能学习助手的顺利运行。

教师学习科学素养:概念内涵、理论框架与提升策略

学习科学作为揭示人类学习过程的核心学科,对于引领教育实践和变革具有重要作用。教师作为教育实践的执行者,在教育改革和学习科学应用与发展中承担着关键角色。文章系统阐述了教师学习科学素养的概念发展与内涵演进,反映出学习科学与教学实践从线性、割裂、融合到升级的交织关系。基于概念内涵,文章构建并解析了教师学习科学素养理论框架的各个维度及其含义,为教师专业成长和教育政策的制定提供理论支撑和实践指导。最后,基于“提升教师学习科学素养”项目,提出“兴趣—理论—实践—研究—分享”的提升策略模型,以期为打造高质量教师教育体系作出贡献。

大数据环境下的分布式机器学习框架比较研究

在大数据环境下,处理庞大的数据集与实现复杂的机器学习算法愈发关键。为解决这一挑战,分布式机器学习框架应运而生。通过分布式计算资源的协同工作,可以提高机器学习模型的训练效率和性能。

基于TensorFlow和PyTorch的深度学习框架对比分析

深度学习框架是实现机器学习的关键工具,合适的深度学习框架可以达到事半功倍的效果。为助力研究者选择合适的框架,在回顾近十种常见框架的基础上,聚焦当前受众最广、热度最高的两种深度学习框架TensorFlow和PyTorch,从历程、现状、机制、训练模式、可视化、工业部署等角度对两者进行比对分析,并归类对应适用场景的建议,为框架选择提供思路参考。

虚拟科学探究学习:内涵、价值与实施框架

虚拟科学探究学习作为一种虚拟实验环境与科学探究活动有效融合的新型学习形式,在培养学习者科学素养方面具有重要作用。但目前缺乏对虚拟科学探究学习的概念、价值和实施方式等问题的深入探索和准确认识,这阻碍了其在实践中的有效应用和价值发挥。虚拟科学探究学习的本质是以学习者的自主探究实践为中心,通过创设虚实融合的学习环境,设计探究性的学习活动,提供适应性的过程支持等,促进学习者的科学观察具象化、探究过程有序性、知识获取整合性和能力发展迁移性。设计虚拟科学探究学习活动,应坚持以探究式教学理念为引领、以交互式学习环境为支撑、以过程性学习评价为助力、以智能化学习干预为保障的设计原则,构建以数智技术为底座,融合环境、活动和过程要素,支持学习者开展虚拟环境下交互式科学探究活动的实施框架,实现科学核心素养的培养目标。未来研究应在强基固本、育人为先、精准赋能和人机协同等方面加强理论和实践探索,为我国高质量虚拟科学探究学习的有效开展提供有益参考。

3P学习分析框架下大学生在线学习参与度的影响因素及提升策略——基于NVivo12的质性研究

随着在线学习从个别化参与走向全员参与,如何消解学习者在线学习中的不良情绪、提升在线学习参与度、为学习者的终身学习奠定基础成为亟待解决的问题。通过深度访谈采集数据,并以此为原始资料,采用扎根理论的质性研究方法对访谈资料进行三级编码,提取主要概念和范畴,进而构建影响因素理论模型。研究发现,在线学习中学习参与度受个体学习特点、教师能力要素、课程基本属性、在线学习环境、教学过程体验的影响,在此基础上基于3P学习分析框架构建“学习预备—学习过程—学习结果”的影响因素作用机制模型。研究表明,未来高校在线学习的开展需要充分关注学习者的学习背景,注重学习者信息素养的提升,为有效学习的发生创造条件。在此基础上,教师应进一步完善在线学习活动设计,优化在线学习评价模式,主动变革教学过程中所使用的技术工具,为收集学生全过程的学习数据,提供精准化、个性化的学习反馈创造条件,从而提升人才培养的质量。

内容语言融合学习理念的4C框架对我国外语教学改革的启示

内容语言融合学习是一种外语教学创新理念,其4C框架强调对学生学科知识、认知能力、跨文化意识和语言沟通能力的全面培养。多年来,我国高校外语教育所取得的成绩不容忽视,但在新的发展时期,高校外语原有的课程定位和发展模式已经不能满足国家对外语人才的需求。我们可以从这一教学理念中寻求借鉴,营造政策环境、优化课程设置、创新教学内容,拓宽教师发展路径,促进外语人才培养的可持续发展。

学习型社会全民数字素养与技能框架建设探索——以国家开放大学经验为例

提升全民数字素养与技能,是顺应数字时代要求、助力全民终身学习型社会建设的重要任务,是实现从网络大国迈向网络强国的必由之路。立足国际视野与本土国情,围绕增强公民数字素养与技能的目标开展理论与实践探索。国家开放大学遵循“动态优化、方向引领、操作可行”的原则,与国家资历框架相贯通的定位设计了全民数字素养与技能框架。框架横向分为信息和数据素养域、交流与协作域、数字内容创作域、安全域和问题解决域五个领域,纵向包含六个等级。依据构建的数字素养与技能框架,探索了数字化学习成果认证、积累与转换等实践。

基于TensorFlow深度学习框架的窃电分析研究

目前,对于电力用户异常用电的问题为研究,提出基于深度学习用户异常用电模式检测相关模型,同时借助Tensorflow框架,进一步构建多层特征匹配网络以及特征提取网络。长短期记忆特征提取网络,能够从大量时间序列中获取不同序列特征,对于全连接网络多层特征匹配网络,研究学者提出,利用所提取特征数据,以完成异常用电数据的相关检测。通过实际研究发现,相比非深度学习检测模型来说,研究基于深度Tensorflow学习框架模型,能够有效完成异常用电模式的检测工作,除此之外,相比多层长短期记忆特征提取,目前来说,所提取的模型鲁棒性和准确性较好。

少先队活动课程开发与实施的“参与-服务-学习-成长”(ASLG)价值框架构建

少先队活动课程开发与实施的“参与-服务-学习-成长”价值框架构建具有认知价值反思和行动价值指导意义。该价值框架的基础理念在于关注少先队员个体的主体性发展需求、价值有涉的生活情境对队员发展的支撑、队员在服务学习中形成初步政治素养和社会情感学习及有效培养。价值框架四个核心要素的要义在于:参与是课程正义要求与少先队员主体性发挥的最佳体现,服务是课程社会价值与队员社会性的最佳培养方式,学习是课程对象行为与队员阶梯性发展的内在动力,成长是课程教育性目的所在与队员获得感的表现形式。从运行路径看,需要关注少先队组织内部的运行以及少先队与社会力量的联合运行;从革新要求看,可创设层级化少先队活动课程中心、推进学校-社区少先队活动课程开发与实施有效合作机制并重塑活动课程实施的小队路径。

新时代中国共产党开展学习教育的框架思路初探

中国共产党人依靠学习走到今天,也必然要依靠学习走向未来。中国共产党是一个重视学习、善于学习的政党。梦想从学习开始,事业从实践起步。习近平总书记在不同场合反复强调要坚持学习,并围绕谁来学习、为何学习、如何保障、学习什么、向谁学习、怎样学习、如何体现、学得怎样等一系列问题进行了深入阐释。明晰新时代中国共产党开展学习教育的框架思路,对增强本领、做好工作、走向未来,具有重要意义。

学习行为分析框架设计与应用案例

多模态数据为学习行为分析和教育研究的发展带来了新范式,加快了多模态学习分析理论的研究和实践模型的构建。文章以智慧学习环境下学习行为分析研究进展为基础,明确划分了智慧学习环境下学生多模态学习行为数据采集类别,构建了多模态学习行为分析框架并将分析框架应用实践,实践研究表明:智慧学习环境下多模态学习行为分析框架立体地刻画了学生学习行为轨迹,科学地展示了学生学习状态。

深度学习框架测试研究综述

随着大数据和计算能力的快速发展,深度学习技术取得巨大突破,并迅速成为一个具有众多实际应用场景和活跃研究课题的领域.为了满足日益增长的深度学习任务开发需求,深度学习框架应运而生.深度学习框架作为连接应用场景和硬件平台的中间部件,向上支撑深度学习应用的开发,帮助用户快速构造不同的深度神经网络模型,向下深度适配各类计算硬件,满足不同算力架构和环境下的计算需求.作为人工智能领域的关键基础软件,深度学习框架中一旦存在问题,即使是一个只有几行代码的缺陷都可能导致在其基础上构造的模型发生大规模失效,严重威胁深度学习系统安全.作为以深度学习框架测试为主题的研究性综述,首先对深度学习框架发展历程和基本架构进行介绍;其次,通过对55篇与深度学习框架测试研究直接相关的学术论文进行梳理,对深度学习框架缺陷特性、测试关键技术和基于不同测试输入形式的测试方法这3个方面进行系统分析和总结;针对不同测试输入形式的特点,重点探究如何结合测试关键技术来解决研究问题;最后对深度学习框架测试尚未解决的难点问题进行总结以及对未来值得探索的研究方向进行展望.可以为深度学习框架测试研究领域的相关人员提供参考和帮助,推动深度学习框架的不断发展成熟.

面向深度学习应用的组件式开发框架的设计实现

针对目前深度学习应用缺少有效的开发与部署工具的问题,提出一个面向深度学习应用的组件式开发框架。所提框架根据应用的资源消耗类型进行功能拆分,使用评测引导的资源分配方案进行瓶颈消除,使用分步装箱方案兼顾高CPU利用率和低显存开销的功能放置。基于此框架开发的实时车牌号检测应用,在吞吐优先模式下GPU利用率达到82%,在延迟优先模式下平均应用延迟达到0.73 s,在三种模式下(吞吐优先模式、延迟优先模式以及吞吐/延迟的均衡模式)下,CPU平均利用率达到68.8%。实验结果表明,基于此框架能够进行硬件吞吐与应用延迟的平衡型配置,在吞吐优先模式下高效利用平台的计算资源,在延迟优先模式下满足应用的低延迟需求。相较于MediaPipe,使用本框架能够进行超实时的多人姿态估计应用开发,应用的检测帧率最高提升了1077%。实验结果表明,所提框架能够作为CPU-GPU异构服务器上面向深度学习应用开发部署的有效解决方案。

基于机器学习的填充墙RC框架震后损伤快速评估

填充墙钢筋混凝土(reinforced concrete,RC)框架是最常见的结构形式之一,实际震害和试验研究中发现填充墙对RC框架的抗震性能影响很大。为实现填充墙RC框架震后损伤状态准确、快速评估,首先根据不同的建筑结构信息(设防烈度、建造年代、层数、层高、跨数和填充率)设计了660个填充墙RC框架,结合10条地震动在OpenSees中对660个结构进行非线性时程分析,得到了6600个数据点,形成了填充墙RC框架震损评估模型建立的数据集。基于该数据集,采用朴素贝叶斯(naive Bayes,NB),K最近邻(K-nearest neighbors,KNN),决策树(decision tree,DT),人工神经网络(artificial neural network,ANN),随机森林(random forest,RF),自适应提升(adaptive boosting,AdaBoost),极端梯度提升(extreme gradient boosting,XGBoost),轻量级梯度提升(light gradient boosting machine,LightGBM),类别提升(category boosting,CatBoost)共9种机器学习的算法,建立了预测填充墙RC框架震后损伤的预测模型。研究结果表明:RF和CatBoost模型对损伤等级预测的精度最高,在测试集的准确率均达到0.93。紧随其后的是LightGBM和XGBoost模型,这些模型的准确率均超过了0.90。与实际震损数据对比,RF和CatBoost模型预测准确率均为47%,但CatBoost模型的预测误差在1个损伤等级范围内的准确率为76%,高于RF模型。基于CatBoost模型进行了不同输入变量的重要性分析,发现对填充墙RC框架震损影响最大的是设防烈度(seismic design intensity,SDI)、峰值地面速度(peak ground velocity,PGV)、0.4 s的谱加速度S_(a)(0.4 s)。此外,随着结构层数越多,楼层数量(n_(s))对结构的震损等级影响也越大。

TensorFlow Lite:端侧机器学习框架

TensorFlow Lite(TFLite)是一个轻量、快速、跨平台的专门针对移动和IoT场景的开源机器学习框架,是TensorFlow的一部分,支持安卓、iOS、嵌入式Linux以及MCU等多个平台部署.它大大降低开发者使用门槛,加速端侧机器学习的发展,推动机器学习无处不在.介绍了端侧机器学习的浪潮、挑战和典型应用;TFLite的起源和系统架构;TFLite的最佳实践,以及适合初学者的工具链;展望了未来的发展方向.

智能时代深度学习教学法的核心要义与行动框架

智能时代的教学范式面临从“消费模式”向“生成模式”转型的挑战。促进教学范式成功转型的关键在于深度学习方式的变革,并通过重构深度学习教学法实现“化知识为素养”。在考察国际典型深度学习项目的基础上,归结出深度学习教学法的七大关键特征以及从理解世界、参与世界到改变世界进阶转换的设计要义,并构建了“课堂—学校”系统联动变革课堂的行动框架。深度学习没有固定模式,而现实教学情境又复杂多元。研究认为,为一线教师提供一种由“核心要义+行动框架”组成的、更具情境指导力量的“解释性教学法框架”,将更有助于他们超越具体教学模式的应用局限,有效推动深度学习的实践落地,并更有可能创建更多富有成效且个性多彩的深度学习课堂。