课程文献中心 更多>>

摘要： 情境任务型试题是以日常生活、文学体验、跨学科学习等情境和典型任务为主要内容的测试题目.其中,"情境"是指教师为学生解决现实生活、未来生活问题而创设的真实的语言运用情境,"任务"是指教师结合教材中的语文要素和练习题目、2022年版课标中的"学业质量"而设计的系列语文实践活动.在"双新"(新课标、新教材)、"双减"背景下,教师要厘清情境任务型试题和核心素养、语文实践活动、语文要素之间的关系——情境任务型试题是学生开展语文实践活动的有效载体,是了解学生语文要素掌握情况的重要依据,是反映学生核心素养发展水平的评价工具,研制体现简明扼要、贴近生活、注重实践等要求的情境任务型试题,以减轻学生学习负担,提升学生核心素养.

摘要： 2022年版课标在"课程理念"中明确指出,"立足学生核心素养发展,充分发挥语文课程育人功能"."学科育人"直指教育价值回归的核心,是新时代背景下课程改革与教学改革的指南针. 文以载道,以文化人.在小学语文命题中,如何充分发挥语文学科的独特优势,彰显学科育人功能,落实立德树人这一根本任务呢?笔者在小学语文阶段性学业水平试题命制中进行了创新性探索与实践.

关键词： 配电网   状态估计   不完全量测   卷积神经网络   长短期记忆网络   贝叶斯优化  

摘要： 随着分布式能源的大规模接入，传统配电网的运行特性发生显著变化，导致负荷分散、实时可观性差和数据不完整等问题，严重影响了配电网的状态监测和运行优化。对此，本文提出了一种基于不完全实时量测数据的贝叶斯优化卷积神经网络（convolutional neural networks， CNN）与长短期记忆网络（long short-term memory， LSTM）结合的配电网状态估计方法。该方法分为离线学习和在线状态估计2个阶段。离线学习部分，利用生成对抗网络生成所需样本，以训练CNN-LSTM模型，并采用贝叶斯优化算法调整超参数，从而提升算法的准确性。在线状态估计部分，基于不完全的配电网实时数据和训练完成的CNN-LSTM模型进行在线状态估计。最后，本文在IEEE 33和IEEE 123算例上进行仿真分析，验证了所提状态估计方法的有效性和准确性。

摘要： 2月9日,从河南省自然资源厅传来消息,春节前夕,郑州市所辖7个县(市、区)国土空间规划获省政府批复,至此,河南省省、市、县三级国土空间总体规划全部获批,标志着支撑河南省在中部地区崛起中"奋勇争先、更加出彩"的国土空间规划体系基本建成,河南省"多规合一"改革取得突破性进展,国土空间开发保护蓝图全面绘就.

关键词： 燃烧室纵剖面物理场   代理模型   样本相似化   全局误差样本分组法   上下游分区法  

摘要： 为发展燃烧室纵剖面热态参数场的高精度代理模型，论文以燃料流量和旋流叶片安装角作为设计变量，通过本征正交分解、克里金等方法构建代理模型。结果表明：除湍动能和径向速度外，其余物理场参数场误差均小于10%。通过分析，代理模型的误差与样本相似程度呈反比，而各样本湍动能场和径向速度场在火焰区峰值的轴向位置相差较大是造成代理模型误差较大的主要原因。因此，提出相应的样本相似化处理方法，包括以全局误差最优为判据的样本分组法和上下游分区法，通过提高样本相似度降低代理模型误差。结果表明，该方法可使湍动能场和径向速度场代理模型的平均误差降至10%以内，大大提高了代理模型精度。

关键词： 关系抽取   小样本   思维链   上下文学习   大模型  

摘要： 小样本关系抽取旨在从极少量标注数据中学习提取样本中实体之间关系的能力.一些研究表明，引入思维链生成推理过程辅助大模型进行推理的方法，可以有效完成小样本关系抽取任务.然而，现有的基于思维链的方法很少评估推理过程的准确性，其推理过程可能存在质量低的问题.因此，提出一种为基于思维链的小样本关系抽取任务设计的思维链评估方法，来检查生成的推理过程是否包含样本关键信息.同时，为了解决大模型推理存在的幻觉问题，提出了事实验证方法，旨在评估提取的三元组与原样本之间的事实一致性.实验结果表明，与之前的方法相比，该模型实现了性能上的提升，在FewRel 1.0和FewRel 2.0数据集上性能最高提升了1.3%和2%，这表明了这两个方法的有效性.

关键词： 癌症亚型分类   元学习   变分自编码器   小样本学习  

摘要： 癌症是一种与基因密切相关的疾病，具有多种亚型，各亚型在遗传、表型和治疗反应上存在显著差异。准确的癌症亚型分类对于个性化治疗至关重要，有助于提高治疗效果。然而，基于患者基因表达数据的癌症亚型分类方法在样本不均衡的情况下，往往难以有效区分稀有亚型。为了解决这一问题，提出了一种基于元学习的癌症亚型分类方法MFP-VAE（Meta-learning Few-shot Prototype learning VAE），专注于处理样本不均衡的数据集。该方法改进了样本抽取策略，以确保在元学习任务中不同亚型的样本得到平衡重视。该模型采用变分自编码器进行特征提取，并通过计算样本与亚型原型之间的距离进行分类。实验结果表明，MFP-VAE在两个公开癌症数据集上优于现有方法，特别是在样本不平衡的情况下，显著提高了分类精度。此外，生存率分析显示，所区分的癌症亚型在临床特性上具有显著差异和临床意义。