学习参与

摘要： 通过在线课程常态化混合式教学设计,重构混合式教学课程资源,加强学习支持服务,关注实践应用过程,进而促进学生深度学习.有效的学习资源、学习活动设计、精准学习干预能提升学生学习效果,突出学生的主体性,促进学生自主学习,能有效培养学生的网络学习习惯.

摘要： 目的:调查高校教师在线教学行为与大学生学习参与度的关系。方法:采用教师在线教学行为评价问卷、大学生网络学习参与度问卷,对476名大学生进行测量,通过统计分析考察教师行为与大学生在线学习参与度现状,并探索两者之间关系。结果:大学生在线学习参与度处于中等水平;高校教师在线教学行为总体状况良好;教师在线教学行为与大学生在线学习参与度存在显著正相关;教师在线教学行为对大学生学习参与度具有较强影响。结论:教师教学行为是影响大学生在线学习参与度的一个重要因素,教师为学生提供良好的资源、设计组织教学以及促进参与等教学行为可以提高大学生的学习参与度。

摘要： 学习参与是评价“课程思政”教学效果的重要指标。访谈材料与课堂观察显示,当前大学英语“课程思政”教学中学生表现出“不接受”“不努力”的认知参与,“低兴趣”“不认可”的情感参与,以及“弱回应”“不参与”的行为参与。为此,可以尝试从知识维度、情感纬度、行为维度出发,重视将“思政”教育融入语音、词汇、语法等语言知识教学中,回应学生学习关切,促进学生认知参与;在教学的多个环节中拓展单元主题,提高学生情感参与;在练习与测试题目中显性与隐性融入“思政”元素,改善学生行为参与,从而提高大学英语“课程思政”教学效果,实现其“思政”育人之功效。

摘要： 随着心理学研究对象由关注消极品质转向积极品质,乐观对个体心理和行为的影响越来越受到关注。以自我调节理论、资源保存理论、多元资本理论为基础,以728名大学生为研究对象,采用学习乐观量表和学习参与量表进行测试,据此探讨学习乐观与学业成绩的关系。结果发现,学习乐观对大学生学业成绩具有显著的正向预测作用;学习参与在学习乐观与学业成绩之间发挥了部分中介作用;学习乐观对学习参与的影响在不同贫困状况的学生群体中有差异,即相较于非贫困大学生而言,学习乐观对贫困大学生学习参与的促进作用更大。基于此,学校应该重视培养大学生尤其是贫困大学生的乐观心态,激发学生学习参与的内在动机,以提升大学生的学业成绩。

摘要： 伴随互联网的迅速发展,信息技术在高等教育中得到广泛应用。在线教育为高校学生提供更多优质的教育资源,也促进学生学习行为发生了变化。本文以1262名本科学生在中国大学MOOC平台上的抽样数据进行实证分析,探讨学生在线学习行为的情况。本文使用描述性统计及相关性分析,研究学生的基本在线学习行为;通过组间均值比较发现不同年级学生的在线学习行为有显著差异;大四学生的出勤率及交流、互动情况显著低于其它年级。基于此,本文提出线上教学应注重教学设计,促进学生参与;引导学生总结反思,进行深层次学习,强化学习专注行为;营造良好线上课堂氛围,加强互动、交流。

摘要： 新冠疫情常态化防控背景下,探讨在线教学模式中大学生自律学习和学习动机对其学习参与的影响,对于改善在线教学效果具有重要意义。基于2020年上半年新冠疫情期间某大学803名本科生的问卷调查数据,运用结构方程模型探析自律学习对大学生学习参与的影响机理。结果表明:学习动机和自律学习对学生行为参与、认知参与、情感参与均具有正向影响,学习动机不仅直接影响大学生行为参与、情感参与、认知参与,还会通过自律学习间接影响大学生的学习参与,自律学习是学习动机作用于大学生学习参与的重要中介变量。因此,从在线教学目的、教学设计和教学考核等方面激发大学生的学习动机,对于提高大学生学习参与和改善学习效果具有重要意义。

摘要： 2019年爆发的新冠肺炎疫情使得很多学校将课堂教学调整为线上教学,以减少人员接触,防止疫情蔓延。该研究通过对疫情期间1262名本科高校学生在线学习平台的学习数据进行实证分析,探讨在线学习行为对学习绩效的影响。该文通过描述性统计及相关性分析,从学习参与、学习专注、互动交流三个维度梳理样本在线学习行为的基本情况,使用回归分析对在线学习行为和学习绩效的关系进行验证。结果表明,学习绩效与学习行为显著相关,在线学习行为正向影响学习绩效。在控制其他变量后,在线交流行为对学习参与的影响具有调节作用。因此,学生主动参与线上学习,总结反思学习内容,练习巩固知识,开展深层次学习,能取得更好的学习绩效,完成知识构建。

摘要： 本研究以T大学少数民族工科生为例,以"参与学习"和"院校影响力"理论为分析视角,通过问卷调查和个体访谈的研究方法,对T大学少数民族工科生学业指导进行调查研究,发现在学业指导过程中存在少数民族工科生学习参与意识不强、学习主观能动性较低,指导人员积极性不高、角色与责任模糊,同时存在同辈群体的消极影响、指导内容缺乏针对性与规范性不足等问题.本研究结合工程学科的培养现状,提出从学生的实际需求出发,在学生个体、师资队伍、客观环境、学校实施等层面积极探索适合少数民族工科生的学业指导路径,以期有效提升少数民族工科生的学习质量.

摘要： 国家的持续繁荣需要依靠科技和文化事业的智力支持,更需要培养一大批适应现代社会发展的高质量创新型人才.高等教育大众化不断推进的同时对高等教育教学质量提出更高水平的要求,大学生学习参与情况作为衡量本科教育质量水平的重要指标之一,对高校本科生学习参与情况进行评估十分必要.本研究以美国加州大学伯克利分校艺术专业本科生为研究对象,有利于为促进国内本科生学习参与提供参考借鉴,为高等教育的研究者和管理者提供更好的决策依据.

摘要： 参与式学习是个体提高学业成绩、发展专业能力的重要路径,了解高职生学习参与状况对高职院校"教师""教材""教学"改革的推进具有重要参考意义.调查发现:高职生课堂学习参与程度常受教师教学行为的影响;信息技术在高职生课后学习中占据重要地位;课外活动对高职生学习经验的强化功能受限;整体学习效果有所提高,但专业能力提升不明显.为此,需要从学校管理、教师教学、高职生自身及媒体支持四个方面做出必要改变.

摘要： 随着人工智能和物联网的发展，工业4.0时代已经到来。据IBM预测，随着5G技术的不断普及，物联网技术将在工厂得到更广泛的应用。近年来，联邦学习已成为工业物联网研究人员的热门话题。然而，工业物联网中的许多设备目前存在计算能力低的问题，因此这些设备在联邦学习中无法很好地执行训练和更新模型的任务。为了解决上述问题，我们在工业物联网中引入边缘计算，使设备能够完成联邦学习操作。为了保证数据传输的安全性，系统引入区块链作为设备认证的主要算法。此外，为了提高工业物联网培训模式的效率和通用性，我们引入了迁移学习来提高系统性能。本发明降低了低性能工业物联网设备参与联邦学习的门槛，避免了多数物联网设备要在联邦学习普及过程中被淘汰的命运，为我国构建节约型社会做出贡献，并降低了联邦学习的普及门槛加速了联邦学习的普及进度。

摘要： 本公开提供了一种用于联合学习中确定参与方贡献度的方法及装置。该方法包括：构造全部参与方组合，计算每个参与方组合的权重；确定聚合周期前后联合学习模型的效用变化值并建立查找表，根据效用变化值判断是否对参与方的贡献值进行计算；从全部参与方组合中选取一个参与方组合，对参与方的边际贡献值进行估计，根据估计结果以及权重，判断是否采用插值函数对参与方组合的效用值进行计算；依据参与方组合的效用值对查找表进行更新，依次选取参与方组合，直至计算出所有参与方组合的效用值，利用参与方组合的效用值对查找表进行更新，基于最终更新后的查找表，计算参与方的贡献值。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本发明公开了一种基于模型陈旧性与用户参与度感知的联邦学习算法，涉及联邦学习技术领域。该算法将参与任务的客户端分成不同的性能层级，每次选取客户端时选取同一性能层级的客户端，实现了联邦学习由随机选取客户端到有选择地选取客户端的转变，提高了联邦学习的通信效率；使用一个添加了全局模型近端项的目标函数作为各客户端训练本地模型的目标函数，改善了全局模型偏向某一客户端本地模型的问题；通过设置一个自适应超参数以及考虑客户端的本地模型对云中心服务器上最新的全局模型的滞后程度，提出了一种基于模型陈旧性与用户参与度感知相结合的更新方式，来对全局模型进行动态调整，解决了联邦学习中全局模型偏向某一客户端本地模型的问题。

摘要： 本公开提供了一种确定联合学习中参与方贡献度的方法及装置。该方法包括：基于联合学习的架构生成多个参与方组，计算参与方组的权重；确定聚合周期前后联合学习模型的效用变化值并建立查找表，根据效用变化值判断是否对参与方的贡献值进行计算；利用参与方组随机生成一个全排列组合，并计算参与方加入子组合时的边际贡献值的估计值，根据估计值以及权重，判断是否采用插值函数对新参与方组的效用值进行计算；依据新参与方组的效用值对查找表进行更新，基于更新后的查找表，计算参与方的边际贡献值，直至计算得到收敛后的参与方的贡献值，根据贡献值确定参与方在联合学习中的贡献度。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本公开提供了一种联合学习中确定参与方贡献值的方法及装置。该方法包括：计算全部参与方组合中每一个参与方组合的权重，确定当前聚合周期联合模型的效用变化值，并建立查找表；当计算贡献值时，选取一个参与方组合并计算参与方组合中每一个参与方的边际贡献值，根据边际贡献值以及权重，判断利用第一估计方式或者第二估计方式对参与方组合的效用值进行估计；利用估计结果对查找表进行更新，并依次迭代估计每一个参与方组合的效用值，获取依据效用值进行更新后得到的最终查找表，以便利用最终查找表对参与方的贡献值进行计算。本公开能够提升联合学习中贡献值的计算精度和计算效率。

摘要： 本发明提供的一种基于联邦学习场景的训练参与方的选择方法及装置，基于数据类别和数据量对数据集进行划分，得到联邦学习场景下每个客户端数据；基于客户端数据对全局模型进行训练，若当前训练轮次小于预设的最大训练轮次，基于线性拟合方法对每个客户端数据进行计算，在客户端中确定当前训练轮次的候选参与方列表；获取当前训练轮次的训练参与方的预设数目；预设数目小于客户端的总数；根据预设数目在当前训练轮次的候选参与方列表中确定当前训练轮次的训练参与方。该方法可以有效降低模型训练过程的通信开销，通过充分利用客户端的信息，选择更优的训练参与方参与本轮次的训练，使模型的训练可以达到更好的效果。

摘要： 本发明提供了一种基于深度学习的电动汽车参与电网低电压控制方法，具体为采集历史低电压故障数据和对应的电动汽车负荷切除方案及其电压恢复效果，计算电动汽车负荷切除方案与电压恢复效果的关系，并以此计算每个节点负荷对电压恢复效果的影响值，根据电网电压恢复的可靠性要求、电动汽车负荷切除成本、每个节点负荷对电压恢复效果的影响值和电动汽车负荷切除方案与电压恢复效果的关系建立电网优化模型，在检测到电动汽车参与电网出现低电压故障情况时，通过电网优化模型根据对应负荷减载需求获取故障处理对应的电动汽车负荷切除方案。本发明能够获取更加精准的电动汽车负荷切除方案，能够提高电网的恢复速度，提高了电网的供电可靠性。

摘要： 一种基于异构图学习融合学习参与状态的知识追踪方法，由获取训练数据集、构建问题知识点二部图、构建知识追踪模型、生成问题张量和知识点张量、编码学生知识状态、编码学生学习参与状态、预测学生答题情况、训练模型、测试模型步骤组成。本发明采用自适应的异构图学习，能根据问题和知识点所构成的二部图的大小自适应调整随机游走的长度，提高了二部图的效率，在建模学生的知识状态时引入这些信息会更加全面、准确。通过建模学生的学习参与状态，使得对学生整个学习过程的建模更加全面，提升了预测学生答题情况的准确率，有效地提高模型的运算效率，克服了循环神经网络长序列依赖问题。

摘要： 本申请公开了一种基于区块链的联邦学习参与节点选择方法。联邦学习参与节点选择方法用于物联网系统，物联网系统包括终端设备和基站，联邦学习参与节点选择方法包括：获取每个终端设备与基站、其它终端设备之间在预设时间内的交互次数和距离，根据预设截断距离、数据交互次数、终端设备与其它终端设备的距离确定每个终端设备的活跃度密度，根据活跃度密度的大小以选择目标终端设备，计算终端设备到目标终端设备的偏移距离，根据活跃度密度和偏移距离确定终端设备的聚类中心点，通过聚类中心点的终端设备传输对应聚类模型中终端设备的数据至基站。如此，有效的减少了物联网系统的传输时间，避免了因物联网设备的时延问题。

摘要： 本发明公开了一种基于信息熵的联邦学习参与方权重计算方法，解决了现有针对分布式工业控制系统的入侵检测技术中，当某个参与方的模型由于数据毒化等问题出现偏移时，经过协调方聚合后带偏其他参与方的模型，进而影响整体检测准确率的问题。该方法采用多因子综合评价的方式计算客户端的权重，通过信息熵计算多个因子对客户端贡献度的作用程度，将各客户端本轮次的贡献度归一化后作为本轮次的权重信息，相较其他方法更加合理，聚合后的模型准确率更高。本发明利用该方法在聚合端对不同模型性能的客户端分配了不同权重，有效的解决了工业控制系统中训练数据毒化的问题，避免了一个客户端模型出现偏差进而影响其他客户端模型性能的问题。