教育目标分类学

摘要： 一、深度学习的内涵深度学习最早起源于《教育目标分类学》。美国当代著名心理学家布鲁姆等在《教育目标分类学》一书中把认知领域分为知道、领会、应用、分析、综合以及评价六个层次。一般认为,知道、领会、分析三个方面属于低阶思维,即浅层学习;分析、综合和评价三个方面属于高阶思维,即深度学习。

摘要： 1 DOK理论为了促进学生达成学习目标并进行相应的结果评价,诺曼·韦伯博士依据布卢姆《教育目标分类学》中的认知领域理论构建了“知识深度等级”(Depth Of Knowledge,DOK),即培养学生知识高阶思维的DOK教学系统.

摘要： 作业是测评学习者在线课程学习成效的重要工具,明晰作业设计策略对于促进在线教育课程质量建设意义重要。本研究借鉴安德森等修订的布卢姆教育目标分类学理论框架,按照课程知识类型与认知维度标注八门在线课程作业,建构了基于课程目标达成度、章节进度设计、学科异质性的DOS三维分析框架,深入分析在线课程作业设计策略。研究发现:在线课程作业设计策略具有明显的课程目标导向,遵照循序渐进的学习规律,并呈现出典型的学科差异。本研究指出,目前在线课程作业设计存在:1)作业设计与课程目标不匹配;2)作业形式缺乏多元性;3)部分学科作业考查的全面性不足等问题,并据此提出建议。

摘要： 培养和发展学生的数学高阶思维能力,是数学教学的重要任务.以安德森的教育目标分类理论为测评构架,对434名初三学生的数学高阶思维能力进行了调查研究,研究表明:第一,初三学生的数学高阶思维能力整体得分中等偏低,三个维度得分从高到低依次为分析、评价和创造;第二,差异性分析表明,男女生在总分及各维度上无显著差异;实验班在总分、评价和创造维度均显著高于普通班,而分析维度上无显著差异;不同学校在总分及各维度上存在不同程度的显著性差异,且效果量达到较强或中等;第三,多因素方差分析表明,学校、班级和性别三个因素对学生数学高阶思维能力及各维度有显著性影响,并且学校变量与数学高阶思维能力及各维度变量之间几乎都达到中度或高度关联程度.

摘要： 以《土力学与地基基础》课程教学为基础,提出并实践了符合教育目标分类学认知规律的“六环节一循环”的专业课教学模式.通过对比新旧模式的教学效果表明:“六环节一循环”的专业课教学模式可显著提高学生接受知识的效率和独立思考的能力,加强分析和解决实际问题的能力,培育逻辑思维与正确的价值体系;该改进模式能不断提升课堂教学的含金量与教师的教学水平,对于推进“四个回归”的本科教学改革实践具有积极意义.

摘要： 教师对教材的理解程度与表达方式直接影响着学生的学习效果。本文依据布鲁姆教育目标分类学,从要素分析、逻辑关系分析、纵横向结构分析等三个方面探索了教材分析的“三步走”战略。希望能抛砖引玉,为广大教育工作者深入探究教材分析方法提供一点思路。

摘要： 《普通高中数学课程标准(2020年版)》(以下简称"课标")指出数学教育在提升学生的数学素养,引导学生会用数学眼光观察世界,会用数学语言表达世界等方面发挥独特作用.因此,日常教学的很多理念和行为,都必须以核心素养的培养为指导.

摘要： 信息素养的习得是一个动态发展的过程,故信息素养内涵建构应兼具构成要素的解析和发展规律的诠释.据此,文章在前人研究基础上,借鉴心理学与教育目标分类学有关理论,先将信息素养细分为知识、技能、态度三个初始要素及相应的九个子要素,进而诠释了各要素发展的初级、中级、高级三个水平,最终完成对信息素养内涵模型的"再构",以期使其更具系统性与可操作性.

摘要： 绪论课对学员的学习态度、学习策略和学习效果影响重大,设计一堂生动而富有启发性的绪论课,对于激发学员求知欲,适应其专业任职课程学习至关重要.针对军校学员特点,基于马扎诺新教育目标分类模型中的认知行为模式,设计了"电子对抗原理"绪论课中3个教学激励序列信号,构建与其对应的绪论课教学内容,解决教学组织过程中为何学、学什么和怎么学的问题,遵循学员的实际认知行为模式,在具体教学实践中取得了良好的效果.

摘要： 布卢姆的教学目标分类学对教育教学具有重要的指导作用.教学目标分类学不仅适合普通教育,也适合职业技术教育.教育目标分类学对动作技能领域有深刻的揭示,可以使我们更明确专业技能要求,培养学生的关键能力和职业能力.

摘要： 基于布卢姆教育目标分类学原理,从知识维度和认知过程维度建立跨越参考案例与课程设计之间鸿沟的桥梁.通过设计认知树状图的节点、分支和生成过程,参考案例获得了与课程设计相一致的三个维度的知识:“事实性知识”、“概念性知识”和“程序性知识”.通过一体化的分解练习与参考案例,学生的设计认知得以在参考案例的具体情境中从“理解”维度迈入“创造”维度.这使得设计思维真正从收敛走向发散,从而为课程设计若干可能性的探索奠定基础.

摘要： 本文以布鲁姆教育目标分类学为视角诊断双语教学中的问题,从而确定认知、情感、动作技能三个领域的目标,特别是认知领域中不同层次和知识类型的教学目标,并针对双语教学的薄弱环节采取相应的教学策略,在提高学生认知层次,促进学生情感学习,实现知识到技能的转换,满足不同学生的需要等方面进行了尝试.

摘要： 教学目标反映的是教学活动结束后学习者内部心理结构变化的不同水平的学习结果。准确阐释教学目标是实施“目标为本”的教学设计和保证教学过程有效性的基本前提。本文参照当代教育目标新分类的研究，将“三维教学”目标界定为：学习者的情感(想要学)、认知(学得懂)和动作(能表现)三者经自我调控统整后得到的学习结果。

摘要： 教学目标反映的是教学活动结束后学习者内部心理结构变化的不同水平的学习结果。准确阐释教学目标是实施“目标为本”的教学设计和保证教学过程有效性的基本前提。本文参照当代教育目标新分类的研究，将“三维教学”目标界定为：学习者的情感(想要学)、认知(学得懂)和动作(能表现)三者经自我调控统整后得到的学习结果。

摘要： 教学目标反映的是教学活动结束后学习者内部心理结构变化的不同水平的学习结果。准确阐释教学目标是实施“目标为本”的教学设计和保证教学过程有效性的基本前提。本文参照当代教育目标新分类的研究，将“三维教学”目标界定为：学习者的情感(想要学)、认知(学得懂)和动作(能表现)三者经自我调控统整后得到的学习结果。

摘要： 本发明提供一种快速移动场景中的目标分类识别方法及分类器获取方法，该识别方法包括：计算典型快速移动场景中目标样本的信噪比动态范围和不同信噪比条件下目标样本的种类特征，确定信噪比的划分级数N和划分界限，将信噪比动态范围划分为N个归类区间；将分别归类于N个不同的归类区间的N个目标样本信号进行特征提取和优化，获得目标样本的特征数据集；将特征数据集分别输入既定的分类器进行训练，获得与N个归类区间一一对应的N组分类器参数，进而获得N个目标分类器；将待分类的目标信号的特征数据输入与自身所属信噪比级数对应的目标分类器中进行识别，获得分类结果。本发明有效提高了目标离传感器较远、信噪比较低情况下的识别率。

摘要： 本发明公开了一种基于目标航深的水面与水下目标分类识别方法，属于水中目标识别技术领域。该方法主要是在水面垂直方向上设置上探测单元和下探测单元，目标分为水面目标或水下目标两类；对上探测单元接收到的目标辐射声信号s1(t)和下探测单元接收到的目标辐射声信号s2(t)，采用相关法求二者之间的时间延迟τ12；计算目标航深区间为[d2,d1]，d1和d2分别为该目标航深区间的上限和下限；最后根据步骤二计算的目标航深区间[d2,d1]对目标进行分类。该方法能够适应由于海流等环境因素引起的上、下两个探测单元之间相对位置变化的情况，识别准确率高、应用范围广。

摘要： 本申请适用于雷达技术领域，提供了一种目标分类方法、目标分类装置、终端设备及存储介质。所述目标分类方法包括：获取待分类目标的目标数据和至少一个待分类点云的点云数据；获取在所述毫米波雷达所处位置的当前天气状况下L个候选类型的典型数据；根据所述目标数据和所述L个候选类型的目标级典型数据，确定所述待分类目标与所述L个候选类型的目标级特征匹配度；根据所述点云数据和所述L个候选类型的点云级典型数据，确定所述待分类目标与所述L个候选类型的点云级特征匹配度；根据所述待分类目标与所述L个候选类型的目标级特征匹配度、点云级特征匹配度，确定所述待分类目标所属类型。通过本申请可以确定目标所属类型。

摘要： 本公开提供了一种目标分类方法、目标分类装置及计算机可读存储介质，涉及人工智能技术领域。其中的目标分类方法包括：将训练图像输入神经网络，得到训练图像的特征向量；将与训练图像具有相同标签的正样本图像输入神经网络，得到正样本图像的特征向量；将与训练图像具有不同标签的负样本图像输入神经网络，得到负样本图像的特征向量；调整神经网络的参数以减小神经网络的损失函数值；损失函数值与第一距离呈正相关且与第二距离呈负相关，第一距离为负样本图像的特征向量与训练图像的特征向量之间的距离，第二距离为正样本图像的特征向量与训练图像的特征向量之间的距离；利用神经网络对目标图像进行分类。本公开能够更加准确的对目标进行识别和分类。

摘要： 本发明公开了一种图像分类模型训练方法、目标分类方法、装置及介质，其中动态特征增强方法包括：获取训练图像数据，选择训练模型，定义超参数；从集合中随机选择k值，再选取批量的训练样本，将其输入所述深度模型，并生成得到前面第k层所输出的特征表示；使用通用的流形特征混合模型，对第k层所输出的特征表示进行混合，生成得到混合特征表示，生成得到对应的混合标签；将生成得到的混合特征表示，输入到剩余的特征提取及分类输出模块，生成得到类别预测的输出向量；采用经验风险最小化原则进行模型参数的优化训练和参数更新。本发明基于混合特征以及其对应的语义混合插值标签，可对目标识别网络进行数据增强，可广泛应用于人工智能技术领域。

摘要： 本发明涉及一种基于布鲁姆教学目标分类法进行课堂提问的分类模型训练方法、方法、装置和存储介质，分类模型训练方法包括获取课堂提问中文样本数据和对应的标签值；所述中文样本数据和所述对应的标签值满足布鲁姆教学分类法；对所述中文样本数据进行预处理得到中文关键词数据；根据所述中文关键词数据提取特征数据；所述分类模型根据所述特征数据和所述中文样本数据对应的标签值进行训练。本发明实现了一种打破学科限制的、自动分析中文问题更加有效的方法。

摘要： 本发明提供一种快速移动场景中的目标分类识别方法及分类器获取方法，该识别方法包括：计算典型快速移动场景中目标样本的信噪比动态范围和不同信噪比条件下目标样本的种类特征，确定信噪比的划分级数N和划分界限，将信噪比动态范围划分为N个归类区间；将分别归类于N个不同的归类区间的N个目标样本信号进行特征提取和优化，获得目标样本的特征数据集；将特征数据集分别输入既定的分类器进行训练，获得与N个归类区间一一对应的N组分类器参数，进而获得N个目标分类器；将待分类的目标信号的特征数据输入与自身所属信噪比级数对应的目标分类器中进行识别，获得分类结果。本发明有效提高了目标离传感器较远、信噪比较低情况下的识别率。

摘要： 本发明公开了一种基于细粒度目标分类的多视角多目标识别方法，方法包括：采集多个视角、多个目标的图像；对每个视角中的图像目标进行裁剪，保存为单个目标；针对每个视角下的单目标图像，通过渐进式训练方法获取目标预测概率分布；计算图像真实类别和预测类别之间的损失；对计算出的损失进行优化；重复第三步后的内容，直到损失达到预设阈值，使算法收敛；将不同视角中每个目标预测出的类别分别标注到对应的原图中，完成多视角、多目标识别。本发明充分利用了细粒度识别的优势，解决了由于目标类间差异小、类内差异大而无法准识别目标的难题，同时充分利用不同视角之间信息的一致性和互补性，实现了多视角、多目标识别。

摘要： 本发明属于相控阵雷达技术领域，具体为一种相控阵雷达多目标分类识别和融合的目标反分裂方法，包括以下步骤：步骤一：雷达数据采集，利用多个相控阵雷达对近距离目标数据进行实时采集上传；步骤二：数据除杂，对雷达上传的数据进行噪声和干扰滤除，对目标数据进行过滤；步骤三：数据处理，对多目标进行分类、识别和关联；步骤四：处理后的数据进行分组，根据反分裂算法模型，每一组输出一个目标并进行迭代计算；对相控阵雷达采集的数据，进行了目标反分裂分类融合，在兼顾实时性的基础上，能够消除大型目标近距离的目标分裂干扰，为实现目标精准提取奠定了基础，同时采用持续迭代算法不断输出融合后的目标，保证目标轨迹的精确和连续性。

摘要： 本发明公开了一种面向目标分类系统的通用目标攻击方法及装置。所述方法，包括步骤：S1、对随机生成的噪音矩阵进行初始化，得到初始噪音矩阵；S2、将所述初始噪音矩阵叠加至自然图像，得到伪装图像，并通过标签误导方法和特征误导方法误导所述目标分类系统，得到误导后的目标分类系统，以获取所述误导后的目标分类系统对所述伪装图像的分类结果；S3、对所述初始噪音矩阵进行更新得到更新噪音矩阵，并将所述初始噪音矩阵更新为所述更新噪音矩阵；S4、迭代执行步骤S2～S3直至满足预设停止条件，获取当前所述初始噪音矩阵和/或当前所述伪装图像。本发明能够实现定向攻击目标分类系统，获取具有最佳攻击效果的噪音矩阵和/或伪装图像。