媒体多任务与学习的关系

数字多媒体时代的到来给媒体多任务现象的产生创造了条件。为了了解媒体多任务对学习的影响,本文介绍了媒体多任务的界定、现状、对学习的影响,以及影响个体学习过程中产生多任务行为的因素。未来研究应加强如何减少媒体多任务对学习的不利影响等方面的研究。     

浅谈“互联网+”背景下开放教育中的英语混合式教学模式的探究

“互联网+”的背景下,开放教育的各教学环节正逐渐向信息化发展,教学环境也出现了剧烈的变化。在这样的背景下,大学本科的教学过程逐渐过渡到了传统教育模式和现代信息化共存的局面,要想进一步开展有效的英语教学,就需要采用自主学习和学生之间协作学习相结合的混合教学模式,以确保学习的有效性。在“互联网+”的背景下,综合应用多种教学模式,进行混合式的教学过程,例如利用微课、慕课和翻转课堂等方式进行教学,可以有效地实现混合式的英语教学过程,在提高学生自主学习能力的同时,强化学生之间的协作学习内容,进而能够获得更好的英语课堂教学效果,有着重要的现实意义。     

科技外语课程体系教学模式的思考与实践

随着就业市场对高素质的复合型外语人才越来越多的需求,高校的科技外语类课程面临着较大的压力和挑战。本文通过阐述制约课程发展的诸多因素,对科技外语类课程的教学设计做出经验总结并提出初步畅想,以期解决科技外语专业人才培养中存在的不足,有效提升外语专业人才的培养质量。     

小学综合实践活动课实施现状调查分析——以沈阳市S学校为例

综合实践活动课程是基础教育课程体系中重要的组成部分,发挥着独特的育人作用,小学综合实践活动课程的有效实施促进了学生综合素质的发展。笔者通过对S学校综合实践活动课的实施进行走访调查分析,发现S学校综合实践活动课的实施存在对课程本质认识不清、课时不足、教师缺乏专业性、课程内容不符合学生发展需要等方面的问题,影响了S学校综合实践活动课的实施效果。笔者依据《指导纲要》的要求提出了相关的改进意见,希望能促进S学校综合实践活动课程的有效实施。     

高校思想政治教育工作存在的问题及对策研究

思想政治教育一直以来都是我国高校教育领域的教学重点,目前,虽然高校思想政治教育体系正在不断完善发展,然而在实际高校思想政治教学过程中仍然出现了思想政治教育工作主体匮乏、过程单向化、内容间断化、途径单一化等问题。为改进高校大学生思想政治教育工作,需坚持创新性、互动性、系统性、多元化原则,做到扩大思政教育主体范围、注重思政教育双项互动、增强思政教育内容连贯性、利用互联网拓宽课程教育路径。     

基于AR的地理学习活动流程设计

地理学科作为一门拥有着众多复杂地理元素的课程,如何能将复杂的地理元素更好地呈现给学习者一直都是探索的热点问题。增强现实技术作为一种能将虚实进行恰当结合的技术,正好可以契合地理教学中所面临的问题。在国内,增强现实技术作为一种初步应用于教学的技术,其具体应用流程缺乏,本文拟在活动理论的指导下,以实际课堂为出发点,整合增强现实的特点,以体验式学习为教学形式,构建基于增强现实的初中地理学习活动设计流程,尝试这一技术在地理课堂中应用的方式。     

小学数学教学方法与学习心理分析

小学数学作为小学重点学科,是学生学习更高难度数学的基础,对学生今后的数学学习起到重要作用。本文结合小学生的心理特点,对小学数学的教学方法展开系统论述,希望能为相关教育学者提供一定的理论支持。     

高职学生厌学问题解决的对策分析

高职院校学习是提升学生学历的重要途径之一,但受传统观念的影响,高职院校的部分学生不重视专业课程,不热爱高职院校的课程学习。目前,为了满足我国对技术专业人才的需求,高职院校的教学目标大都以培养学生的专业技能、提高毕业生就业率为主。当学生没有认识到学习的重要性、对未来没有明确规划时,更容易出现厌学的现象。因此,要想提高高职院校的教学质量,就需要分析学生厌学的主要原因,并有针对性地探讨对策,解决学生厌学的问题。     

混合式教学模式下学生自主学习能力发展策略研究

随着教育改革的不断深入,教育理念和教学方式发生了很大的变化,变化来自国家的重视和教育实施主体的积极参与。在教育过程中开展线上线下混合式教学是对传统教学方式的突破和创新,教学过程注重学生能力培养,混合式教学模式对于激发学生学习兴趣、提升学生自主学习、培养学生学习能力有着重要的现实意义。     

Predicting future dynamics from short-term time series using an Anticipated Learning Machine

Predicting time series has significant practical applications over different disciplines. Here, we propose an Anticipated Learning Machine (ALM) to achieve precise future-state predictions based on short-term but high-dimensional data. From non-linear dynamical systems theory, we show that ALM can transform recent correlation/spatial information of high-dimensional variables into future dynamical/temporal information of any target variable, thereby overcoming the small-sample problem and achieving multistep-ahead predictions. Since the training samples generated from high-dimensional data also include information of the unknown future values of the target variable, it is called anticipated learning. Extensive experiments on real-world data demonstrate significantly superior performances of ALM over all of the existing 12 methods. In contrast to traditional statistics-based machine learning, ALM is based on non-linear dynamics, thus opening a new way for dynamics-based machine learning.