学习不良

摘要： 精神分析讲个体的人格结构分为本我、自我、超我。三者使个体在面对本能的需求和现实之间,充满了冲突。在我们的教育工作中,如何理解学生的学习不良,个体的内在机制是如何运作的。文章试图通过精神分析的视角去理解学生学习不良的动因。

摘要： 选取初中二年级60名学习不良学生为研究对象,将其随机分为实验组和对照组,对实验组进行为期10周的归因训练,对照组进行同样时间的知识复习,探讨归因训练能否有效改变学习不良学生学业成败的不合理归因方式,结果表明,归因训练可以促使学习不良初中生的归因方式向积极方向转化,提高学习不良初中生对未来学习成功的期望,引起其情感反应的积极变化.

摘要： 通过文献综述,从学习困难的界定,学习困难的产生、表现、影响因素以及干预和转化等方面,综述十年来我国学习困难儿童研究的现状以及对未来研究进行展望.

摘要： 加减应用题结构表征包括基于图式教学、基于概念模型的问题解决和图式扩展教学3种策略.每种策略从图式图、运算和干预效果3个维度概述,研究发现:(1)3种策略为加减应用题设计了许多图式图,基于概念模型的问题解决策略的图式图更具有清晰性和概括性;(2)3种策略都趋于借助图式图、方程和数字家族来选择运算;(3)3种策略干预都有积极的效果;但基于图式干预策略文献较多,其它两种策略文献较少:对于数学学习不良的被试研究较多,其它类型的学生研究文献较少.研究者可以从被试、实施者、图式图、维持、概括和效果比较6个维度,深化加减应用题结构表征干预研究.

摘要： 本文意在探讨学习不良儿童与父母教养方式的关系。应用父母教养方式评价量表（EMBU），对206名10—15岁的学生进行测查，对学习优秀学生（简称优秀生）和学习不良学生（简称不良生）父母的教养方式进行比较。结果表明两组学生父亲教养方式中情感温暖、理解、惩罚、严厉与学习成绩有高相关；母亲教养方式中情感温暖、理解、惩罚、严厉、偏爱被试与学习成绩有高相关。由此可见父母的教养方式与学生学习成绩密切相关。

摘要： 以小学四年级90名儿童为被试,探讨了学习不良儿童与一般儿童在智商、自我概念发展水平及同伴关系方面的差异.结果表明:(1)学习不良儿童的平均智商虽然属正常,但学习不良儿童的平均智商显著地低于一般儿童.(2)一般儿童和学习不良儿童在智力各等级上的分布有明显的差异. 一般儿童的智商大多分布在中等及中上水平;而学习不良儿童的分布情况则相反,他们的智商的分布大多在中等及中下水平. (3)学习不良儿童的自我概念发展水平除了躯体外貌和幸福与满足两个分量表以外,在其余4个分量表以及自我概念总分上明显地低于一般儿童. (4)学习不良与一般儿童的同伴接纳有显著差异. 学习不良儿童多被拒绝与忽视,受欢迎者很少.

摘要： 初中学业不良学生处于各种矛盾的焦点之中，往往体现出身心发展的不平衡，因而造成自责、退避等消极心理，为此，我们要积极为初中学习不良学生构建良好的社会支持系统，诸如搭建亲子沟通平台，改善亲子关系，开展多种活动，营造和谐校园环境，运用多种辅导方法，促进学生个体成长等，从而提高学习不良学生的心理健康水平。

摘要： 国内小学数学学习不良研究主要专注于认知特点和认知干预两个方面.认知特点研究横向比较研究较多,而纵向比较研究和干预研究较少,从研究内容看,主要集中于数学应用题领域,与数学大国相比,此研究相当薄弱.本文提出了有待研究的方向.

摘要： 国内小学数学学习不良研究主要专注于认知特点和认知干预两个方面.认知特点研究横向比较研究较多,而纵向比较研究和干预研究较少,从研究内容看,主要集中于数学应用题领域,与数学大国相比,此研究相当薄弱.本文提出了有待研究的方向.

摘要： 本文在分析成人学习不良的原因基础之上,提出了基于网络教学平台的学习模式、基于资源的引领式E-Learning模式、M-Learning模式和利用博客、空间实现个人知识管理等运用现代教育技术改善成人学习不良的几种模式,为成人提高学习效率提供有价值的学习模式,以期改善成人学习的不良状况.

摘要： 本发明属于智能交通控制技术领域，提供一种考虑不良天气的深度学习交通流预测方法，首先，选定研究的空间范围、预测的时间范围和预测时间间隔，通过交通流检测器获取预测时间之前的原始交通流数据集，通过气象站获取预测时间之前的原始天气数据集，根据预测时间间隔，将原始天气数据进行集计；其次，基于交通流时间序列和天气数据时间序列构建模型输入矩阵；然后，使用长短期记忆神经网络构建模型第一部分，对所有时期内的历史数据的规律进行挖掘，通过组合卷积神经网络和长短期记忆神经网络构建模型第二部分，对某一时期内的历史数据的规律进行挖掘；最后，将模型第一部分和第二部分进行权重组合后构建CNNLSTM模型，得到交通流数据预测值。

摘要： 本申请实施例涉及机器视觉技术领域，公开了一种不良学习行为检测方法、系统、电子设备和存储介质，该方法包括：对获取到的目标对象正面的深度图进行目标区域检测，确定目标对象的手部区域和人脸区域；在人脸区域与手部区域存在重叠的情况下，获取手部区域内深度值的最小值为第一基准值，并获取人脸区域相较于手部区域的非重叠区域内深度值的最大值为第二基准值；计算第一基准值与第二基准值之间的第一差值；若第一差值的绝对值小于第一预设阈值，则确定目标对象存在不良学习行为，播放预设的第一纠正提示音，本申请提供的不良学习行为检测方法，可以自动地在保护学生隐私的前提下发现并纠正学生的不良学习行为，引导学生养成良好的学习习惯。

摘要： 本发明涉及一种基于数据增强和半监督学习的药物不良反应检测方法，属于自然语言处理领域。本发明首先收集中文医疗社交媒体的语料，构建数据集；使用回译对未标注数据进行多次增强，对增强样本和原始样本进行标签预测生成人工标签；建立基于Mixup的药物不良反应检测模型，利用标注数据、未标注数据和增强数据对所述模型进行训练，获得训练好的药物不良反应检测模型，实现药物不良反应的检测任务。本发明减轻了标注数据不足带来的影响，并且提高了药物不良反应检测的准确性。

摘要： 本发明公开了一种基于多核学习的药物不良反应预测方法，涉及数据挖掘技术领域，它的方法如下：步骤一、研究药物不良反应预测需要对药物特征信息和已知的药物和不良反应信息进行提取；步骤二、药物的化学结构信息转化为药物的指纹向量，构建药物和不良反应信息的邻接矩阵；步骤三、构造核矩阵使用多核学习将核矩阵融合在同一特征空间中；步骤四、使用基于图的半监督学习方法构建预测器，先对构建的药物核和不良反应核进行稀疏化处理然后采用局部和全局一致性算法构建药物不良反应的预测模型；步骤五、采用5倍交叉验证的方法对AUC和AUPR来进行对预测效果的对比评估。通过上述方式，本发明能够使得药物不良反应的预测性能得以优化。

摘要： 本发明提供一种学习状态下的不良习惯监测方法、装置、设备及程序产品；方法包括：通过采集目标用户在学习状态下的多张正面图像；对多张正面图像进行图像识别，确定目标用户的当前姿态对应的目标姿态模型；基于目标姿态模型和数据库中的标准姿态模型，确定当前姿态是否异常和/或目标用户是否存在用眼异常；在当前姿态异常和/或存在用眼异常的情况下，输出姿态矫正提示信息，并将目标姿态模型存储至数据库中。通过方法，可以通过目标姿态模型确定目标用户的当前姿态是否异常和/或是否存在用眼异常，并在异常时发出语音提醒，通过语音提醒引导目标用户将姿势调整至正确的姿势，从而帮助目标用户养成正确的学习习惯。

摘要： 本申请实施例涉及机器视觉技术领域，公开了一种不良学习行为检测方法、系统、电子设备和存储介质，该方法包括：对获取到的目标对象正面的深度图进行目标区域检测，确定目标对象的手部区域和人脸区域；在人脸区域与手部区域存在重叠的情况下，获取手部区域内深度值的最小值为第一基准值，并获取人脸区域相较于手部区域的非重叠区域内深度值的最大值为第二基准值；计算第一基准值与第二基准值之间的第一差值；若第一差值的绝对值小于第一预设阈值，则确定目标对象存在不良学习行为，播放预设的第一纠正提示音，本申请提供的不良学习行为检测方法，可以自动地在保护学生隐私的前提下发现并纠正学生的不良学习行为，引导学生养成良好的学习习惯。

摘要： 本发明提出了一种基于深度学习的新能源场站不良数据辨识与修正方法，包括：获取新能源场站中辨识对象的历史运行数据，在历史运行数据中标记出历史正常数据和历史不良数据；建立辨识模型，根据历史正常数据对辨识模型进行深度学习训练；建立修正模型，将历史不良数据输入修正模型和训练好的辨识模型中，结合辨识模型的输出对修正模型进行深度学习训练；获取辨识对象的实时运行数据，通过将实时运行数据输入训练好的辨识模型中，区分出实时运行数据中的实时正常数据和实时不良数据；将实时不良数据输入训练好的修正模型中，得到实时不良数据的修正值。本发明可显著提高不良数据辨识和修正效率，保障新能源电站的实时安全稳定运行。

摘要： 本发明公开了一种基于深度学习的药物‑药物不良反应预测方法，其方法包括四个步骤：步骤一，利用带有注意力机制的消息传递网络来对药物结构信息进行编码；步骤二，利用相似性函数与自动编码器来对药物绑定蛋白进行编码；步骤三，将上述药物的不同特征进行拼接送入到由元路径启发的自适应学习模块中进行自适应学习元路径子图并进行图卷积操作获得到药物特征；步骤四，将药物特征送入到多层感知机中进行药物‑药物不良反应预测。本发明提出一种可以有效捕获药物‑药物不良反应特征的方法，解决了常规模型直接在相互作用网络上使用图神经网络容易混入噪声的问题，并且通过自适应学习到有效的特征信息，从而提高了药物‑药物不良反应预测效果。

摘要： 本公开提供了一种用于校正计算机断层摄影数据中的伪影的计算机实现的方法。该方法包括将正弦图输入到经训练的正弦图校正网络中，其中该正弦图缺失至少一个像素的像素值。该方法还包括经由该经训练的正弦图校正网络的一个或多个层处理该正弦图，其中处理该正弦图包括从该正弦图导出互补信息并且基于该互补信息来估计该至少一个像素的该像素值。该方法还包括从该经训练的正弦图校正网络输出具有所估计的像素值的经校正的正弦图。

摘要： 本发明公开了一种基于混合深度学习的医疗设备故障不良事件自动识别方法，涉及医疗设备故障技术领域，包括以下步骤：获取监测人员上报的设备故障描述信息，根据所述设备故障描述信息关联设备的基础属性信息；对所述设备故障描述信息的文本进行处理，并通过故障描述归一化模型得到所述设备故障描述信息的归一化标签；将所述设备的基础属性信息与归一化标签进行组合，生成标准化的特征向量集；通过不良事件识别模型对所述特征向量集进行处理，判别设备故障是否属于不良事件。本发明可以全自动判断医疗设备故障是否属于不良事件，降低对监测人员技术水平的依赖，提高识别准确度。