学习性评价

摘要： 以北师大版初中生物学教材中的部分单元教学活动设计为例,尝试构建有高阶思维活动的学习目标和评价要求,创设高阶认知的问题任务学习情境,开展以"思辨"为核心的学习思维发展与深化实践.实践证明,将评价活动贯穿于整个教学,并将多元化主体的有效反馈融入学习性评价,有利于促进学生的有效学习,达到教、学、评的有机统一.

摘要： 通过随机抽取2020级音乐学专业两个平行班级(一个班为实验组,另一个班为对照组),实验组在教学评价中采用“课堂+在线”构建学习性评价,对照组采用传统的总结性评价,以探讨“课堂+在线”构建学习性评价的可行性及实践效果。通过两组学生的成绩比较和基于“课堂+线上”构建的学习性评价体系的满意度调查发现,在“教育学”教学中应用“课堂+线上”学习性评价,在提高学生学习主动性、学习成绩、思维拓展能力有一定效果,同时实验组学生对学习性评价满意度较高。因此,基于“课堂+在线”构建学习性评价在“教育学”教学中对于提高学生学习主动性,促进学生掌握课程知识和提升教学效果具有积极作用。

摘要： 随着社会的不断发展和进步,教与学的过程中教师担任着重要的角色,因此不断强化教育体制和教师自身素养是非常重要的。教师应该深入探讨自身、课堂质量以及学生课堂效率的提高问题。继而,构建出专业强、素质好、知识广并具有强实践性的教师专业素养结构。故从学习性评价中进行教师专业素养研究,以学习性评价理念为核心,完善教师专业发展政策,构建出新的教学实践体系,提升教师的专业素养。

摘要： 随着社会的不断发展和进步,教与学的过程中教师担任着重要的角色,因此不断强化教育体制和教师自身素养是非常重要的.教师应该深入探讨自身、课堂质量以及学生课堂效率的提高问题.继而,构建出专业强、素质好、知识广并具有强实践性的教师专业素养结构.故从学习性评价中进行教师专业素养研究,以学习性评价理念为核心,完善教师专业发展政策,构建出新的教学实践体系,提升教师的专业素养.

摘要： 学习性评价是于20世纪90年代提出的一种新评价理念,它是让学生及其教师以此确定他们当前的学习水平,他们需要追求的学习目的以及如何达到所要追求的学习目标的过程。在将学习性评价运用到具体数学教学中,教师可以通过让学生自主制定目标评价,激发数学学习动机;多元主体合力评价,增强学习内生动力;高阶问题导向评价,推升数学思维品质;及时多维反馈评价,促进数学素养生长,逐步引导学生走向深度的数学学习,实现育人目标。

摘要： 小学数学课堂教学中单一、单调、单薄的课堂评价方式,会降低课堂教学效率,影响学生数学能力的提升.数学教师注重评价的多元性和科学性,探究新型的课堂评价方式,投入情感,因材施教,准确恰当地评价学生能促进课堂教学效益的提升,促进现代化教育改革的进程.在新课程改革的背景下,探索学习性评价具有现实性的教学价值.

摘要： 学习性评价是于20世纪90年代提出的一种新评价理念,它是让学生及其教师以此确定他们当前的学习水平,他们需要追求的学习目的以及如何达到所要追求的学习目标的过程.在将学习性评价运用到具体数学教学中,教师可以通过让学生自主制定目标评价,激发数学学习动机;多元主体合力评价,增强学习内生动力;高阶问题导向评价,推升数学思维品质;及时多维反馈评价,促进数学素养生长,逐步引导学生走向深度的数学学习,实现育人目标.

摘要： 以“金属”一章为例,对人教版高中化学教材和澳洲VCE课程的高中化学教材中习题进行比较研究,发现澳洲化学教材中的习题对学生的认知水平要求更高,能帮助学生进一步改变学习方式,更好地促进学生形成学科观念,加强学科思维训练,注意学科方法应用.

摘要： "3W"学力案是基于《中国教育现代化2035》中"面向人人"理念而提出的教学设计新范式.本文首先通过分析当前教学设计中存在的问题,着重介绍了"3W"学力案意蕴指向、实践路径及实践后取得的成效.实践表明,"3W"学力案对学生学力、教师专业水平的提升具有一定的促进作用,此范式有一定的推广价值.

摘要： 以"金属"一章为例,对人教版高中化学教材和澳洲VCE课程的高中化学教材中习题进行比较研究,发现澳洲化学教材中的习题对学生的认知水平要求更高,能帮助学生进一步改变学习方式,更好地促进学生形成学科观念,加强学科思维训练,注意学科方法应用。

摘要： "学习性评价"是在"形成性评价"基础上发展演变而来的、为适应新一轮国际基础教育改革而产生的课堂评价理论及其指导下的课堂评价实践."学习性评价"的五大核心理念体现了国际基础教育评价理念经历的重大变化."学习性评价"与"形成性评价"既有密切联系又有显著区别.我国需要从评价制度(如督导)和政策层面上确立"学习性评价"在课程与教学中的地位.积极发挥"学习性评价"对课程与教学改革的促进作用.

摘要： 本发明公开了一种机器学习系统学习性能的评估方法，根据用户给定的评估次数，将数据集切分成多组不同的训练集和验证集；针对多组训练集和验证集中的每一组，使用训练集（验证集）对机器学习系统进行训练，得到机器学习模型；再使用验证集（训练集）对机器学习模型进行测试，得到机器学习系统性能的单次估计；当多组训练集和验证集全部用完后，将机器学习系统性能的所有估计平均起来作为系统性能的最终估计；同时等待用户是否采纳当前的估计；若用户需要增大评估次数，则在原有基础上，逐步增加余下的训练集和测试集，并执行机器学习系统的训练和测试，直至计算出新的性能估计；若用户采纳当前的估计，则返回当前的机器学习系统性能的估计。

摘要： 本发明公开了一种基于网络带宽分配的分布式深度学习性能优化方法，其特点是采用网络带宽分配策略Nebula的方法，将集群的网络资源在作业训练过程中动态分配进行性能优化，具体包括：提交分布式深度学习作业预运行、获取分布式深度学习作业相关参数；收集运行节点相关特征参数等步骤。本发明与现有技术相比具有带宽资源得到合理利用，优化作业运行性能，大大提高了作业的平均完成时间，方法简便，进一步缓解了进程间的网络资源竞争，有效提升集群资源的利用率。

摘要： 本发明涉及单目深度估计领域，公开了一种单目深度估计模型学习性能的不确定性量化方法，通过设计不确定性测量策略、不确定性引导策略和不确定性后处理策略。不仅能高效测量自监督单目深度模型输出深度图的不确定性，并且可以利用不确定性信息引导网络学习和对深度图进行后处理。本发明简单有效，不需要添加网络模块，避免了对基线模型网络结构的修改，可推广到现有和未来的自监督单目深度模型当中。

摘要： 本发明公开了一种机器学习系统学习性能的评估方法，根据用户给定的评估次数，将数据集切分成多组不同的训练集和验证集；针对多组训练集和验证集中的每一组，使用训练集（验证集）对机器学习系统进行训练，得到机器学习模型；再使用验证集（训练集）对机器学习模型进行测试，得到机器学习系统性能的单次估计；当多组训练集和验证集全部用完后，将机器学习系统性能的所有估计平均起来作为系统性能的最终估计；同时等待用户是否采纳当前的估计；若用户需要增大评估次数，则在原有基础上，逐步增加余下的训练集和测试集，并执行机器学习系统的训练和测试，直至计算出新的性能估计；若用户采纳当前的估计，则返回当前的机器学习系统性能的估计。

摘要： 本发明提供一种容易生成能够有助于模型的识别率的提高的学习用数据的学习用数据的评价方法。学习用数据的评价方法具有第一评价步骤和第二评价步骤。第一评价步骤是对使用通过数据扩展处理生成的学习用数据(D1)进行了机器学习的学习完毕模型(M1)的性能进行评价的步骤。第二评价步骤是基于第一评价步骤中的评价和数据扩展处理的参数的能取范围来评价参数的步骤。

摘要： 本发明公开了一种基于条件GAN的数据增广改善个性化联邦学习性能方法，包括以下步骤，建立个性化联邦学习pFedMe模型；建立条件GAN模型，进而将其以个性化联邦学习的方式加入到pFdeMe模型中，得到基于条件GAN的pFedMe模型；获取CIFAR10数据集，并通过上述基于条件GAN的pFedMe模型，实现数据增广；得到基于条件GAN的数据增广方法在测试集上的准确率。通过本发明可以获取条件GAN有效提升个性化联邦学习性能的方式，对于使用条件GAN对模型进行数据增广具有实际价值。

摘要： 本发明涉及单目深度估计领域，公开了一种单目深度估计模型学习性能的不确定性量化方法，通过设计不确定性测量策略、不确定性引导策略和不确定性后处理策略。不仅能高效测量自监督单目深度模型输出深度图的不确定性，并且可以利用不确定性信息引导网络学习和对深度图进行后处理。本发明简单有效，不需要添加网络模块，避免了对基线模型网络结构的修改，可推广到现有和未来的自监督单目深度模型当中。

摘要： 本发明公开了计算机技术领域的一种细粒度多维度的大规模机器学习性能分析方法，基于Colossal‑AIProfiler和Colossal‑AIGemini内存策略管理工具一起实现，其使用的流程和PyTorchProfiler类似，Colossal‑AIProfiler被设计为一个上下文管理器，能够通过with语句很快完成开启和关闭，可以精确记录处于不同状态的Tensor信息，从而得到目前内存使用的具体情况，帮助开发者更好地优化在机器学习过程中内存的使用量和调度策略，帮助开发者将程序的带宽性能与数据移动带宽的理论上限进行比较，进行客观精准的性能分析，获得当前程序对资源的利用率，找到程序的主要优化方向，具有创造性。

摘要： 本发明涉及机器学习领域，提出一种提高工作机学习性能的方法、装置、设备及介质。方法包括：建立每个工作机对应的局部训练数据集，并通过高斯过程回归算法对所述局部训练数据集进行训练，以得到每个工作机对应的局部预测模型；通过服务器对所述每个工作机对应的局部预测模型的数据设置不确定性的修正项并基于rBCM聚合算法进行聚合，得到全局预测模型；将所述全局预测模型发送给所述每个工作机，并对所述每个工作机设置融合算法以及一个不确定性测试数据集合进行融合，以得到所述每个工作机对应的预测误差最小模型。本发明公开的方法可以显著提高工作机模型预测融合后最终的学习精度。

摘要： 本发明公开了一种基于无服务器计算的分布式深度学习性能保证方法，包括一个分布式深度神经网络（Distributed Deep Neural Network,DDNN）训练性能预测模型以及一个无服务器计算函数资源配置方法。具体包括提交DDNN作业预运行；获取DDNN作业相关参数；收集无服务器计算函数相关特征参数；设计了一种基于所述获取DDNN作业相关参数和无服务器计算系统相关特征参数的训练性能预测模型；本发明设计并实现一种简单且有效的基于无服务器计算函数资源配置策略λDNN，解决基于无服务器计算的DDNN训练中的性能预测问题，在保证DDNN训练性能的前提下最小化DDNN训练成本花销。