理解性学习

摘要： 深度学习是一种基于高阶思维发展的理解性学习,注重内容整合、知识建构、强调知识的迁移与运用.深度学习背景下学生积极主动参与学习,教师设立高阶思维发展的教学目标、选择联结的学习内容、创设持续关注的评价方式进行进行引导.在课堂教学中,让学生深度参与、深度体验、深度反思和深度拓展.基于深度学习背景下.

摘要： 目前小学英语故事教学存在浅表化问题,主要体现在故事主题意义解读、故事内容理解、语言思维训练、语用任务完成等,导致学生对英语故事学习停留于表层信息,无法深入故事主旨和文本内涵,更难以触及深层情感和思维品质的提升。宫文胜认为,深度学习是基于高阶思维发展的理解性学习,具有注重批判理解、强调内容整合、促进知识建构、着意迁移运用等特征。基于深度学习的小学故事教学,能够解决故事教学浅表化问题,帮助学生全面提升综合素养。

摘要： 明确理解性学习的基本教育逻辑,从学生认知过程角度出发,重塑当前中职平面设计教学方案。在教学策略方面,中职平面设计教学需要体现出生活化、审美性和应用创新能力多方面特征,理解性学习教学组织需要从了解、感知、理解的教学进路出发,开展项目化教学和创客教学等教学方式创新,提升学生对于平面设计的理解能力水平,培养学生平面设计的创造性思维。

摘要： 理解性学习是一种意义学习,是指学习者运用原有的知识、经验和方法,在新的情境下进行个体心智运作和意义建构,通过不断的探索,深化对学习内容的理解的学习方式。在新课程改革的背景下,教师可以通过理解性学习来提升学生的创造性、探究性、能动性和自主性,让学生基于他们的已有知识来进行自主探究与学习,提升学习的有效性。第一,创设有效情境,引入数学概念。为了让学生在学习的过程中更好地形成数学概念,教师应为学生提供更多感性材料,促进他们思维的发展。

摘要： 深度学习是指向高阶思维发展的理解性学习,是培育学生核心素养的途径之一。要结合学生核心素养培育的时代要求、科学课堂深度学习的不尽如人意和智能物联背景下的教学再思考,将信息技术融合课堂教学,积极思考学生深度学习优化路径。本文以教科版科学二年级上册《神奇的纸》一课为例,叙述如何通过研究学习起点、基于真实情境、精构探究活动、迁移探究结论和精准评价反馈,切实提高学生科学学习效率,引领学生走向课堂深度学习。

摘要： 基于理解性学习视角下的高中生态课堂构建是自我完善、自我发展、自我建构的过程.笔者以“双曲线的概念”教学为例,探讨基于理解性学习视角下高中生态课堂构建策略.

摘要： 学源于思,思源于疑。以学习为中心的课堂强调理解性学习,注重学生的认知过程,关注学生的已有知识,强调学生自身对学习调控能力的发展与培养,重视学生元认知能力的发展。以学习为中心的课堂是思维的课堂,思维不是自然发生的,但是它一定是由难题和疑问或一些困惑、混淆或怀疑引发的。

摘要： 学不入迷、懂而不会、认识低下是日常数学教学中普遍存在的现象,针对这些实际现象进行的众多研析表明,数学深度学习在行为进程上应呈现为注重研究知识关系与结构的理解性学习,[1]还需要在发生机制上体现为专心致志并充满好奇与想象的沉浸式学习,在目标旨向上表现为旨在感悟数学思想和养育数学精神的层进式学习.基于这一认识,可以相应获得以下在数学教学中促进深度学习的若干进路与策略.

摘要： 数学教学应注意促进学生深度理解数学知识和现实生活,发展高阶理解力。教师应注意厘清小学数学课堂教学目标的价值和特点,基于学生理解力的培养来设计课堂教学目标,使培养学生核心素养的任务在具体教学实践中得到有效落实。

摘要： “理解性学习”是基于已有认知基础的学习,强调从学生自身已有的知识、方法或活动经验出发,完成对新信息意义本质的内化、联系与建构。“等比数列前n项和”的发现路径众多,设计教学时可以从“理解性学习”的视角,联通等比数列前n项和的发现史,融合人类数学发现和学生数学认知,将数学知识理解上升到数学思想方法,最终能上升到学生的数学文化。

摘要： 本文主要介绍了理解性学习在高等数学学习中的重要性及提高高等数学理解性学习的途径，提出要实施变式教学，引导学生反思，注重数学交流，开展建模活动。

摘要： 教育技术的核心属性是研究“怎么教”的问题，学与教的理论是教育技术学的核心理论。我们基于社会学研究方法之“二阶观察”，以及建构主义的研究方法论之“二阶控制论”，深入探讨了一种新型的教学环境——理解性学习与倾听式教学，意即学生的学需要从“接受”转向“反思”，教师的教需要从“灌输”转向“倾听”，以期促成传统学与教理念的转变，逐步在实践中形成全新而有效的教学观。

摘要： 中国的数学教育一直不乏在国际上显露骄人“成绩”的机会,然而,中国学生想象力低下,实践创新能力薄弱是不争的事实.基于数学理解的视角进行分析,上述现象产生,说明中国学生的内在知识结构存在缺陷,其所掌握的知识是固化的、不能迁移与弹性应用的,在数学知识理解上的不深入,导致不能灵活地应用所学知识解决真实问题.从这个意义上说,“为了培养面向21世纪的具有数学素养的公民,课堂需要被重新构建,以至于数学能被理解地学习.”数学理解性学习课堂教学设计策略体系的提出，实现了对“常识”的超越，形成了行之有效的引导课堂教学的学科教学法，推动了江阴数学学科建设的发展，形成了一定的社会影响。

摘要： 基于脑科学的学习科学研究表明，学生孤立地学习数学知识和技能不能达到理解，理解产生于学生与周围环境中的材料、同伴和起支持作用的成人的互动过程。笔者在多年的数学教育教学探索和实践中发现，新技术支持下的数学笔记(以下简称为数学笔记)能够有效地帮助学生(尤其是小学低年级学生)进行理解性数学学习。在数学学习过程中,学生以数学笔记作为载体,连结日常生活,外显数学思维,融合多学科知识与技能;而新技术的融入为数学笔记提供新的创作视角,实现个性化学习,促进学习共同体的形成.这些都在有力地支持学生进行理解性数学学习.

摘要： 基于脑科学的学习科学研究表明，学生孤立地学习数学知识和技能不能达到理解，理解产生于学生与周围环境中的材料、同伴和起支持作用的成人的互动过程。笔者在多年的数学教育教学探索和实践中发现，新技术支持下的数学笔记(以下简称为数学笔记)能够有效地帮助学生(尤其是小学低年级学生)进行理解性数学学习。在数学学习过程中,学生以数学笔记作为载体,连结日常生活,外显数学思维,融合多学科知识与技能;而新技术的融入为数学笔记提供新的创作视角,实现个性化学习,促进学习共同体的形成.这些都在有力地支持学生进行理解性数学学习.

摘要： 基于脑科学的学习科学研究表明，学生孤立地学习数学知识和技能不能达到理解，理解产生于学生与周围环境中的材料、同伴和起支持作用的成人的互动过程。笔者在多年的数学教育教学探索和实践中发现，新技术支持下的数学笔记(以下简称为数学笔记)能够有效地帮助学生(尤其是小学低年级学生)进行理解性数学学习。在数学学习过程中,学生以数学笔记作为载体,连结日常生活,外显数学思维,融合多学科知识与技能;而新技术的融入为数学笔记提供新的创作视角,实现个性化学习,促进学习共同体的形成.这些都在有力地支持学生进行理解性数学学习.

摘要： 基于脑科学的学习科学研究表明，学生孤立地学习数学知识和技能不能达到理解，理解产生于学生与周围环境中的材料、同伴和起支持作用的成人的互动过程。笔者在多年的数学教育教学探索和实践中发现，新技术支持下的数学笔记(以下简称为数学笔记)能够有效地帮助学生(尤其是小学低年级学生)进行理解性数学学习。在数学学习过程中,学生以数学笔记作为载体,连结日常生活,外显数学思维,融合多学科知识与技能;而新技术的融入为数学笔记提供新的创作视角,实现个性化学习,促进学习共同体的形成.这些都在有力地支持学生进行理解性数学学习.

摘要： 基于脑科学的学习科学研究表明，学生孤立地学习数学知识和技能不能达到理解，理解产生于学生与周围环境中的材料、同伴和起支持作用的成人的互动过程。笔者在多年的数学教育教学探索和实践中发现，新技术支持下的数学笔记(以下简称为数学笔记)能够有效地帮助学生(尤其是小学低年级学生)进行理解性数学学习。在数学学习过程中,学生以数学笔记作为载体,连结日常生活,外显数学思维,融合多学科知识与技能;而新技术的融入为数学笔记提供新的创作视角,实现个性化学习,促进学习共同体的形成.这些都在有力地支持学生进行理解性数学学习.

摘要： 本发明涉及一种基于深度学习的高并行性阅读理解的方法，包括数据预处理，嵌入层，编码层，交互层，输出层。使用bert模型对预训练进行优化；使用Octave卷积替换原模型中的深度可分离卷积。本发明在原有的高并行机器阅读理解算法——QANet的基础上，改进其嵌入层和编码块的结构，将嵌入层的预训练模型改为BERT，并重构了整个编码块。在编码块中应用了多头自注意力机制，固定了编码块的卷积层的数量，并将本次设计的编码块内所需用到的所有卷积层都改为Octave卷积。并提出将参数量较少其计算较快的的深度可分离卷积应用于Octave卷积中，提升Octave卷积在提升速度的同时提升模型的泛化能力，并将之应用于机器阅读理解任务。

摘要： 本发明涉及一种基于深度学习的高并行性阅读理解的方法，包括数据预处理，嵌入层，编码层，交互层，输出层。使用bert模型对预训练进行优化；使用Octave卷积替换原模型中的深度可分离卷积。本发明在原有的高并行机器阅读理解算法——QANet的基础上，改进其嵌入层和编码块的结构，将嵌入层的预训练模型改为BERT，并重构了整个编码块。在编码块中应用了多头自注意力机制，固定了编码块的卷积层的数量，并将本次设计的编码块内所需用到的所有卷积层都改为Octave卷积。并提出将参数量较少其计算较快的的深度可分离卷积应用于Octave卷积中，提升Octave卷积在提升速度的同时提升模型的泛化能力，并将之应用于机器阅读理解任务。

摘要： 本发明公开了基于强化学习和对比学习的图像语义理解及文本生成。该任务的挑战在于如何用表达简练而内容丰富的文本准确的描述图像内容。目前的大多数方法是以图像标题来描述图像，而图像标题过于简单的特点导致了存在描述不全面的情况。而目前以诗歌描述图像的新任务又缺乏带标注的数据集。本发明通过诗歌来描述图像内容，利用诗歌表达简练、语义丰富并具有艺术性的特点，结合强化学习和对比学习设计了一种无监督创作多样化诗歌的方法。提出的方法以生成式对抗网络为基本框架，生成器基于图像创作诗歌，判别器预测诗歌的真实性。通过设计的古典概念词奖励机制和跨模态特征对齐机制来强化诗歌与图像的一致性。并设计多样性奖励机制来引导模型创作多样化的诗歌。实验结果证明提出的方法在相互独立的图像和诗歌数据集上训练后，模型能够创作多样化的诗歌来描述图像。

摘要： 本发明提供了一种基于自监督学习任务的手绘草图理解深度学习方法，其特征在于，包括如下步骤：步骤S1，基于不同的手绘草图中点的数据的分类对其中部分数据进行抹除，进一步将抹除部分数据后的手绘草图的数据用于自监督学习；步骤S2，将手绘草图的数据序列化后嵌入编码；步骤S3，将基于双向编码表示和自注意力机制的深度学习网络作为深度特征提取模块，并利用该深度特征提取模块提取手绘草图对应的点数据的深度特征；步骤S4，利用提取的深度特征预测被抹除的部分数据的坐标数据和状态数据；步骤S5，使用损失函数分别对坐标数据的预测与状态数据的预测任务进行训练从而获得训练好的网络模型。

摘要： 本发明提供一种基于课程学习的深度学习机器阅读理解训练方法，本方法使用BERT预训练语言模型将(文章，问题，选项)三元组构建成一个序列，不需要单独对每一个元组进行操作。构成一个问题的四个选项序列输入到网络中，进行跟BERT一样的微调过程，经过全连接层和softmax分类层，选择最大概率选项作为预测答案，通过最大化正确答案的对数概率来反向更新模型的参数，使模型学习到文本信息。三阶段训练框架先在简单数据集微调，再在普通数据集微调，能由浅入深按顺序地学到文本知识，最后在困难数据集训练后的测试效果比融合学习(在简单和普通数据集混杂起来的集合上微调再在困难数据集上训练)的准确率要高出2.5％。

摘要： 实施方式公开了对多个内容类型的教育性内容的基于理解性的识别。一种方法包括：确定与用户请求相对应的内容项的相应的理解性排名信号，该理解性排名信号基于从至少一个机器学习模型为内容项生成的学习属性分值；确定与用户请求相对应的用户的学习水平；基于学习水平和内容项的相应理解性排名信号之间的映射来对内容项进行排名；以及根据内容项的排名来提供对于内容项的推荐。

摘要： 用于构建可解释用户输出的方法、系统和设备，通过原始分类器的多层神经网络接收输入特征数据；确定语义函数以用语义类别标记数据样本；确定神经网络内原始分类器的每一层的语义准确率；根据语义准确率比较的结果对每一层进行比较；根据一定量的计算出的语义准确率指定层；通过类别分支将指定层扩展到神经网络，以从语义内容提取语义数据样本，以训练可解释分类器的新连接集，以针对多个语义类别中的每个语义类别的与每个输出解释相关的准确率度量计算输出解释集，并比较每个输出解释的准确率度量，以生成用户可理解格式的输出解释。

摘要： 一种基于深度图像理解的移动应用跨平台强化学习遍历测试技术，包括交互模块，深度图像理解模块，强化学习模块。交互模块通过对apk运行中的状态进行截屏捕获，提供给深度图像理解模块，并通过强化学习模块选择动作执行，从而与移动应用进行交互。深度图像理解模块通过截屏编码器对应用当前界面截图并分析，分别生成状态和可执行动作编码后的特征向量。强化学习模块通过DQN模型分析状态、动作对的优劣，选择最佳可执行动作，实现对移动应用状态空间的高效探索。

摘要： 本发明提供了一种基于深度学习和视频理解的钢表面裂缝检测和预测方法，包括以下步骤：步骤1，获取钢表面裂缝在疲劳荷载作用下裂缝开合的视频并保存，对保存的视频进行剪辑处理；步骤2，通过视频训练SuperPoint网络，并跟踪视频中钢表面的特征点的运动信息并进行记录；步骤3，通过基于阈值的自适应特征点筛选方法，筛选出裂缝周围的特征点；步骤4，将检测到的特征点作为基本信息，拟合裂缝的形态，获得裂缝的基本参数信息并进行数字化；步骤5，将裂缝的历史发展信息、裂缝的基本参数信息和钢表面的基本信息作为输入，N个循环后裂缝的发展情况作为输出训练LSTM神经网络，训练完成后通过LSTM神经网络对钢表面的裂缝开展速率进行实时预测。

摘要： 提供一种用于接收包括多个词的序列的查询的方法和装置。多个词的序列转换成多个特征向量的序列。使用双向长短时记忆(LSTM)生成多个词的序列的语义含义。使用高斯混合模型(GMM)，基于多个特征向量的序列的所生成的语义含义来使LSTM正则化。