同学关系

摘要： 为了解家庭积极情绪表露、儿童情绪智力及班级人际关系之间的关系及儿童情绪智力在家庭情绪表露与班级人际关系之间的作用机制,本研究采用家庭情绪表露问卷、班级人际环境问卷及情绪智力量表对庆阳市某两个学校300名小学生进行测查。结果显示:(1)家庭积极情绪表露与儿童情绪智力呈正相关(r=0.133,p<0.05),儿童情绪智力与同学关系呈正相关(r=0.471,p<0.01),家庭积极情绪表露与同学关系呈正相关(r=0.144,p<0.05);(2)情绪智力在家庭积极情绪表露对同学关系的影响中具有全部中介效应,占总效应的43%。因此得出以下结论:家庭积极情绪通过培养儿童情绪智力来影响儿童社会人际关系。

摘要： 为考察家庭社会经济地位、同学关系对高职生学习投入的影响机制,采用问卷法对614名高职生进行调查研究。结果发现:家庭社会经济地位、同学关系均直接正向影响高职生的学习投入;同学关系在高职生的家庭社会经济地位与学习投入之间起显著的中介作用。通过提高家庭社会经济地位、改善同学关系等措施可以提高高职生的学习投入水平。

摘要： 采用青少年生活事件量表、班级环境量表和手机依赖指数量表对293名高中生进行三次追踪调查,考察高中生手机依赖的发展轨迹及其与负性生活事件、同学关系、师生关系和性别的关系。结果发现,高中生整体的手机依赖发展轨迹随时间增长基本保持稳定,但个体在初始水平和发展速度上存在显著的个体间差异;高中生手机依赖发展轨迹分为四个类别:低水平下降组(33.4%)、中高水平上升组(22.3%)、中低水平稳定组(42.1%)和高水平上升组(2.2%);根据负性生活事件可以区分高中生手机依赖中高水平和低水平的发展轨迹。研究不仅揭示了高中生手机依赖的发展轨迹存在异质性,而且强调了负性生活事件对高中生手机依赖不同发展轨迹的影响,可为研究者设计对高中生手机依赖者的干预措施提供借鉴。

摘要： 职业教育肩负着为实现社会主义现代化提供技术技能型人才的责任与义务,但是在培养学生综合素质能力过程中同学关系成为了摆在素质教育中的新问题,同学关系不在是简单而纯粹,取而代之的是社会化现象严重.唤醒高职学生内心"真""善""美"和谐同学冠以尤为重要.

摘要： 为考察亲子、师生、同学关系对学习投入的影响机制,采用问卷法对6719名高职生进行了调查.结果发现:(1)亲子关系、师生关系、同学关系、学习投入两两呈显著正相关;(2)亲子关系既直接影响学习投入,又通过师生关系和同学关系的中介作用间接影响学习投入,具体包括3条中介路径,即师生关系的中介路径、同学关系的中介路径、师生关系和同学关系的链式中介路径.建议从提升高职生的亲子关系出发,帮助高职生改善师生关系和同学关系,进而提高其学习投入水平.

摘要： "同学"不仅仅是指一种身份,同一间教室里、同一个课堂中的同学,应该成为共同学习的"同学".让同学成为"同学",需要更新对"同学"的认识,使其"想同学";需要升级行为,使其"会同学";需要建立"同学文化",让"同学行为"能持续进行."同学成为'同学'"应该成为智力激荡、精神共鸣的美妙的神奇的风景.

摘要： 一班一特色模式开展以来,课题组经常与各班级同学进行交流,了解活动开展的情况,听取大家提出的建议和意见。通过阅读著作、知网搜集整理相关研究成果并进行梳理。一年多来,通过班级同学民主选择主题,定期开展活动,打破了原来的封闭状态,使同学关系更为融洽,班级凝聚力更强。后期学院也根据专业和班级的实际情况,逐步指导每个班级活动进行转型,使活动更加贴近学生的职业生涯规划。

摘要： 本文以泊头职业学院进行的建立和谐同学关系的教育尝试和探索为例,从打造和谐同学关系的途径和意义两个方面进行了分析,进一步强调在高职院校建立和谐同学关系是提高高校意识形态工作的重要一环.

摘要： 唐甄认为，只有既有好的老师，又有和谐的同学关系，才能搞好学习。同学之间应该互相学习，互相借鉴。和谐的同学关系可以使人及时得到帮助。避免人生的弯路。建立和谐同学关系的关键是敬。唐甄的这些思想，在今天的德育学生工作中仍然有着现实的借鉴意义。

摘要： 本文遵循“回到实事本身”的态度理解座位在中小学生日常教室生活中的潜课程意义。文章试从座位体验的空间意义，以及同学关系、师生关系、自我意识和学习环境意义等五个方面主题来把握学生座位体验的一般结构，从而建构对座位体验的本质理解。文章希望通过对学生座位体验的描述分析，为教育工作者理解座位对学生的可能意义提供一个对话文本，从而引发对座位意义的反思。

摘要： 本发明公开了一种面向在线教育的学习者协同学习社交关系的构建方法，包括：获取在线教育平台中学习者的基本信息数据，采用序列分析法抽取基本信息数据的属性特征；对属性特征中基本行为特征进行行为分析，以进行伙伴关系标注；利用k‑Means聚类算法处理伙伴关系标注，得到学习者学习社区聚类发现；根据学习者学习社区聚类发现构建总体神经网络，并利用属性特征对学习者协同学习社交关系神经网络进行训练，得到学习者协同学习社交关系神经网络，进而得到当前伙伴推荐列表；基于无标度网络理论和社交三角理论的学习者伙伴网络收敛及伙伴推荐列表重排。该方法能够为学习者推荐合适的学习伙伴，进而增强学习者在平台上的学习效果。

摘要： 本发明公开了一种面向在线教育的学习者协同学习社交关系的构建方法，包括：获取在线教育平台中学习者的基本信息数据，采用序列分析法抽取基本信息数据的属性特征；对属性特征中基本行为特征进行行为分析，以进行伙伴关系标注；利用k‑Means聚类算法处理伙伴关系标注，得到学习者学习社区聚类发现；根据学习者学习社区聚类发现构建总体神经网络，并利用属性特征对学习者协同学习社交关系神经网络进行训练，得到学习者协同学习社交关系神经网络，进而得到当前伙伴推荐列表；基于无标度网络理论和社交三角理论的学习者伙伴网络收敛及伙伴推荐列表重排。该方法能够为学习者推荐合适的学习伙伴，进而增强学习者在平台上的学习效果。

摘要： 本发明提供一种针对复杂的问题也能够高性能地提取二元关系的装置。解答－特性对提取部(12)从保存着包含在文本数据中出现的二元关系中赋予了表示其是应提取的内容的解答的事例的教师数据的教师数据存储部(11)中提取事例的特性，生成特性的集合和解答的组。机器学习部(13)利用预定的机器学习方法，对该组在何种特性集合的情况下会形成何种解答这一问题进行机器学习，并将学习结果信息保存到学习结果存储部(14)。候选提取部(15)从文本数据(2)中提取二元关系的候选，特性提取部(16)提取二元关系的候选的特性的集合。解答推断部(17)基于学习结果信息推断在二元关系的候选的特性集合的情况下容易形成解答的程度，二元关系提取部(18)根据推断结果提取正的解答的推断程度良好的二元关系的候选。

摘要： 本发明属于车牌检测技术领域，涉及一种基于车牌间协同学习机制的车牌检测方法，以车牌检测数据集中车牌检测图片之间强一致性为基础，通过尺度间协同注意力机制学习不同车牌检测图片网络层输出特征之间的一致性，从而保证网络在特征提取阶段车牌特征之间的交互性，通过车牌特征之间的交互，实现共性特征之间共享。然后通过语义协同注意力机制学习不同车牌检测图片高层输出语义之间的一致性，从而保证网络能够凭借语义特征缩小车牌特征搜索范围，最终通过语义尺度协同学习机制融合网络语义上下文之间的关系，提升复杂场景车牌检测精度，不仅可以用来进行复杂场景下的车牌检测，还可用于复杂场景下的物体分割以及复杂场景下的物体检测。

摘要： 本发明属于机器学习领域，具体涉及结合协同学习策略的粒子群混合优化的特征选择算法，技术方案如下：1.用Fisher score与MIC混合的过滤式算法进行粗粒度特征选择，获取粗粒度特征子集；2.利用协同学习策略的自适应粒子群优化算法进行细粒度特征选择，获取最优特征子集。本发明有效地克服了现有技术中存在陷入局部最优和计算代价高昂的高维数据的问题。

摘要： 本发明涉及图像处理领域，尤其涉及一种基于深度多特征协同学习的图像修复方法，包括如下步骤：S1.将待修复图像输入一预设的图像特征编码器，通过深度神经网络编码对待修复图像进行有效特征提取，形成有效图像特征集；S2.所述有效图像特征集通过预设的图像解码器进行解码修复，通过局部和全局判别器后形成修复图像；其中，所述图像特征编码器由六个卷积层组成，其中三个浅层卷积层用于重新组织纹理特征，三个深层卷积层用于重新组织结构特征，得到结构特征集和纹理特征集；所述图像解码器包括一软门控双特征融合模块，用于融合上述结构特征和纹理特征，一双边传播特征聚合模块，用于均衡通道信息、上下文注意和特征空间之间的特征。本技术可以有效解决修复图像的伪影，使得修复后的图像具有详细的纹理和更好的图像外观。

摘要： 本发明公开了一种鲁棒特征空间共同学习的多标签图像分类方法，首先准备多标签数据；在特征空间和标签空间中引入特征选择和核范数的低秩表示方法从而构造鲁棒的标签和特征空间共同学习的多标签分类模型；利用鲁棒低秩投影矩阵V将q维标签空间映射到r维的标签空间中，从而V表示在标签空间中学习到的鲁棒低秩投影；引入增广拉格朗日乘数法对多标签分类模型的目标函数中的矩阵P和矩阵V进行求解；将多标签数据作为训练数据样本对提出的多标签分类模型进行训练，得到最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V；基于最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V完成多标签分类模型的训练，并利用该多标签分类模型进行多标签图像分类。

摘要： 本发明公开了一种基于复矩阵和多特征协同学习的遥感图像分类方法，通过在黎曼RNRS分类方法的基础上引入超像素，减少了散斑噪声和计算时间，并且通过基于超像素的协同学习方法，将复杂矩阵和多特征融合到NRS分类框架中。本发明能够充分利用矩阵信息和极化特征，尤其在异质区域能够进行精确分类，得到更好的分类结果。

摘要： 本发明公开了一种基于区块链的群组协同学习方法，包括：S1，基于区块链构建协同学习模型，划分训练集和测试集；S2，预设智能合约模块，设置初始模型参数、全局聚合轮数和初始迭代次数，划分局部训练组；S3，选取局部训练组中信用最高的节点为领导节点，其它为训练节点，所有领导节点组成全局聚合组；S4，训练节点本地训练得到本地训练模型，领导节点利用联邦学习聚合得到本地模型；S5，全局聚合组聚合本地模型得到全局模型；S6，领导节点验证本地模型，根据验证准确率和历史信用更新边缘节点的信用；S7，更新初始模型参数，判断i＜I，如果是执行i＝i+1返回S3。本发明不仅有效降低了无线通信延迟，还增强了协同学习效率。

摘要： 本发明公开了一种基于多核协同学习和深度信念网络的特征提取方法及系统，包括：获取人脸表情图像信息，将所述人脸表情图像信息输入到训练好的深度信念网络，得到人脸表情分类结果；其中，对于深度信念网络的训练过程包括：将三张同一个人脸不同角度的图像分别放入三个DBN网络，三个DBN网络根据视野的不同来提取同一个人脸图像的三个不同特征，将提取到的特征分别放入与DBN网络连接的分类器中，利用小于设定数量的已标记的样本和大于设定数量的未标记样本对多个分类器进行协同训练。本发明实现了利用大量未标记样本进行分类器训练的目的，降低了DBN对人工标记样本的依赖，提高了深度信念网络的实用性。