西南农村小学教师继续教育现状调查研究

调查西南农村小学教师继续教育现状，调查目的和内容包括：教师和管理人员对教师继续教育的积极性；教师和管理人员对各种继续教育方式的认可度；教师参与继续教育的比例和教师继续教育遇到的困难。有效地推进西南农村小学教师继续教育，需要做好以下几个方面工作：加强师资队伍建设，逐渐消除“班级承包”现象；构建高师院校高年级学生顶岗实习和城市优秀教师支教系统；增加对农村小学教师继续教育的投入；充分挖掘教研活动潜能；将新课程培训建设为教师继续教育的重要方式；改革在职培训模式。     

基于引文与载文指标的中国科普领域核心期刊分析

【目的】探索中国科普领域核心期刊,帮助了解科普事业发展的理论支撑和科普文章发表的主要阵地,进而有针对性地采取措施,推动中国科普期刊的建设和发展。【方法】 主要采用引文分析方法和载文统计方法。基于引文分析的科普主题文献来源于CSSCI数据库;基于载文统计的科普主题文献来源于CNKI数据库。【结果】 基于CSSCI引文分析的科普主题文献被引频次最高的10本中文期刊,将其称为中国科普领域高被引核心期刊;基于CNKI数据的科普主题文献载文量最高的10本中文期刊,除了已经进入中国科普领域高被引核心期刊阵营的两本之外,将其余8本期刊称为中国科普领域高载文核心期刊。【结论】 中国科普领域高被引核心期刊,为中国科普事业的发展发挥着提供理论支撑的作用,应更多地吸收全球科普发展的理论和实践经验;中国科普领域高载文核心期刊,是中国科普文章发表的主要阵地,今后应该更加注重提高科普文章的质量。     

走向现实的“纳米催化”

作为关键和核心技术,催化在能源、环境、农业以及人类健康等领域正发挥着越来越重要的作用。借助纳米科学和技术的发展和进步,以纳米体系的电子调制为理论基础,通过纳米层次对催化剂形貌的调变,高活性晶面定量设计和控制暴露得以实现;从理论上预示并实验验证了碳纳米管的“协同限域效应”和金属??氧化物的“界面限域效应”。根据大量的实验研究和理论分析,提出“纳米限域催化”的新概念,并在CO氧化、合成气定向转化和燃料电池相关的催化过程中得到了初步验证。     

重庆市产业结构演变对大气环境的影响分析

产业结构转型在促进经济增长的同时,也对大气环境产生了影响.本文根据结构效应、规模效应及技术效应建立模型,利用重庆市1999-2008年22个工业行业的相关面板数据进行了实证分析.结果表明,工业结构效应对于工业二氧化硫、工业烟尘、工业粉尘所起到的影响有限,大气污染物排放量的降低主要归功于政府环境政策强度,技术进步所带来的大气环境的改善逐渐显现.重庆市应重点加强非金属矿物制品业、化学原料及化学制品制造业、黑色金属冶炼及压延加工业与电力、燃气及水的生产和供应业等高污染排放行业的治理及技术创新.     

应用型材料专业本科生科研素养培养体系构建

科研素养的培养是提高应用型本科生综合能力的需要。笔者根据所在学校的现状和材料专业的特点,提出了从特色课程构建、教学内容和方法改革、开放性实验平台搭建、课外科研训练方案和评价机制优化等多方面的应用型材料专业本科生科研素养的培养体系。     

高等职业教育之教学实训空间模式研究

教学实训空间模式能够有效地处理教学、实训和空间三者之间的关系．有利于提高高等职业教育的课程教学质量和实训水平。因此,分析教学实训空间模式的构建．探讨教学实训空间模式的应用．具有现卖的理论意义和实践价值。     

零售商品牌线上线下的信任整合研究

零售商的双渠道信任整合既是一个重要的理论问题,也是零售实践中迫切需要解决的难题。本研究以对"苏宁"实体店铺具有初始信任的消费者为研究对象,探究其有线上体验感知后,对该零售品牌的整体信任水平的变化。笔者构建了包括线下信任、结构保证、心流体验、感知一致性等要素对线上、线下信任整合的影响机制模型。研究发现,消费者对零售商店铺的线下信任能够正向影响零售商品牌的信任整合水平,且不同水平的线下信任对零售商品牌信任整合的影响机制不同。在低线下信任情景下,消费者在线上感知的结构保证、心流体验直接作用于零售商品牌的信任整合。高线下信任情景下的消费者,通过线上线下的感知一致性影响零售商品牌的整体信任。本研究发现为零售商进一步提升品牌信任提供了管理启示。     

工科教学创新研究——基于课堂教学和实践教学的视角

工科教学工作中存在的问题影响了工科学生培养的整体水平,为改变这一现状,必须改革创新工科教学方式,从课堂教学创新和实践教学创新两个角度出发,探索构建新的教学体系,以提高教学的实效性。     

双归属维度的顾客信任与顾客价值的关系研究

客户价值管理是企业管理的核心,客户价值的提升取决于客户信任的水平。现有文献表明客户信任有两个归属维度,即员工信任和企业信任。其中员工信任在服务企业中占据有十分重要的地位。本文从客户价值与客户信任间关系入手,以客户信任的双归属维度为研究视角,运用结构方程模型证明了不同服务情境下两种归属维度的客户信任对客户价值的影响,并就服务企业如何充分利用不同归属维度的客户信任来实现客户价值的最大化提出了政策性建议。     

Understanding the topic evolution of scientific literatures like an evolving city: Using Google Word2Vec model and spatial autocorrelation analysis

Topic evolution has been described by many approaches from a macro level to a detail level, by extracting topic dynamics from text in literature and other media types. However, why the evolution happens is less studied. In this paper, we focus on whether and how the keyword semantics can invoke or affect the topic evolution. We assume that the semantic relatedness among the keywords can affect topic popularity during literature surveying and citing process, thus invoking evolution. However, the assumption is needed to be confirmed in an approach that fully considers the semantic interactions among topics. Traditional topic evolution analyses in scientometric domains cannot provide such support because of using limited semantic meanings. To address this problem, we apply the Google Word2Vec, a deep learning language model, to enhance the keywords with more complete semantic information. We further develop the semantic space as an urban geographic space. We analyze the topic evolution geographically using the measures of spatial autocorrelation, as if keywords are the changing lands in an evolving city. The keyword citations (keyword citation counts one when the paper containing this keyword obtains a citation) are used as an indicator of keyword popularity. Using the bibliographical datasets of the geographical natural hazard field, experimental results demonstrate that in some local areas, the popularity of keywords is affecting that of the surrounding keywords. However, there are no significant impacts on the evolution of all keywords. The spatial autocorrelation analysis identifies the interaction patterns (including High-High leading, High-Low suppressing) among the keywords in local areas. This approach can be regarded as an analyzing framework borrowed from geospatial modeling. Moreover, the prediction results in local areas are demonstrated to be more accurate if considering the spatial autocorrelations.