对如何促进学生学好物理化学网络课程的思考*

从《物理化学(上册)》的首个教学章节“热力学第一定律”出发,以“雨课堂”和“腾讯课堂”为教学平台,分析了学生应该如何适应从“线下教学”到“线上教学”的转变,扮演好“学生”在网络教学中的角色,并以学生的这些注意事项为切入点,论述了教师应该做出的相应转变,以求引导学生更高效地完成线上学习任务。     

基于OBE理念的无机及分析化学“金课”建设探索与实践*

本着OBE理念,教研组确定了“以学生为中心,注重能力和素质培养,教学相融”的教学理念。根据课程内容和特点,以“金课”为标准,依托“超星学习通”线上平台,从线上线下教学分配、多样化互动课堂设计和实施、考核评价和持续改进等方面进行探索和实践。旨在培养学生自主学习能力,提高学生分析、解决生产实践问题的能力,以及树立学生团队协作意识,使知识性人才培养向知识、能力、素质三位一体型人才培养转变。     

基于翻转课堂的有机化学教学实例

将翻转课堂应用在有机化学教学中,通过课下微视频、课堂研讨、答疑、总结等方式成功实现。根据课程性质,创建翻转课堂模式,设计学习任务单,以教材中第4章“对映异构体”为例进行教学实践,引入了先学后教、线上线下混合学习、自助化学习、PBL学习等教学新思维。结果表明,该方式能够充分调动学生学习兴趣,培养探究式学习能力,让“教”与“学”成为一个真正的有机共生体。     

雨课堂与腾讯课堂联用的“有机化学”线上教学设计与实践*

基于智慧教学工具“雨课堂”为主和“腾讯课堂”为辅的双平台联用组合,将“雨课堂”优秀的教学互动和全周期记录学习活动表现的功能与“腾讯课堂”网络直播高峰期画面卡顿少、师生可以语音互动的优点结合起来,充分发挥“以学生为中心”的教学理念,探讨了有机化学课程的线上教学设计,并在教学班级中进行了广泛实践。实践证明,“雨课堂”直播为主和“腾讯课堂”为辅的双平台联用教学模式能保证教学质量、激发学生的学习兴趣和提高学生的学习效果。     

师范专业认证背景下有机化学“三段式”教学法的构建与实践*

针对应用型本科院校化学专业的培养目标和师范专业认证标准,以“发现学习”和“建构主义学习”理论为依据,结合课程内容特点提出了基于学生为中心和产出导向的有机化学“三段式”教学法,并在糖类化合物、蛋白质和核酸章节中进行了具体的教学实施,对实施效果进行了问卷调查和分析。“三段式”教学法对有机化学教学模式的改革提供了一定的借鉴作用。     

“实验化学”翻转课堂教学案例设计

针对实验化学课程的特点,探讨了实验化学“课前知识传递,课堂知识内化,课后反思提高”的翻转课堂教学设计。以“硫酸亚铁铵的制备”为实验案例,通过翻转课堂在学习目标、活动主体与教学流程上的教学设计,详细阐述了以学生为中心的教学实施,并全面评价了教学实践。     

面向高阶思维培养的自主型实验教学模式的设计与实践*

基于教育现代化、发展“互联网+教育”、培养创新性人才的指导思想,结合“超星学习通”网络平台与实验课堂的优势,设计了面向高阶思维培养的“预习自测-讲授讨论-自主实践-总结反思”的四段自主型实验教学模式,并应用于化学与化工类专业分析化学实验课程的教学实践。该实验教学模式增加了学生自主学习时间,培养了学生“分析、综合、评价和创造”等高阶思维能力,提高了实验课程的教学效率,为高等院校实践实验教学的改革提供了参考依据。     

核心素养为本的单元教学设计与实施——以“探究水的组成”为例

以“探究水的组成”教学为例，通过课标、教材及学习者分析，从认识角度、探究水平、认识水平等3个维度整体规划“身边的化学物质”主题单元目标学习进阶，明确“探究水的组成”课时目标，通过温故建模、据模探究、探究推理等3个阶段的教学实施，建立具体物质的研究思路模型，运用模型研究陌生物质（氢气），初步形成定量研究物质组成的能力。     

深度学习视域下“线上线下”混合式教学模式应用实践*——以“无机与分析化学”课程为例

深度学习视域下“线上线下”混合式教学模式的核心是学生的深度参与、高级学习策略的使用及教师的优质讲授,最终实现学生深度学习能力的养成。“无机与分析化学”线上线下混合式教学通过在线预习、课堂讨论、课前课后测试、实践教学等多种教学设计,让学生化“被动”学习为“主动”学习,深度参与,锻炼学生自主学习能力,增强学生团队协作及解决复杂工程问题的能力,启发学生创新应用能力。     

促进“深度学习”的教学实践与思考——以“基于桃酥烘焙配方的实验探究”为例

以“基于桃酥烘培配方的实验探究”单元课的设计与实施为例,从情境素材的选取、课堂问题的设计、课堂任务的确定、学习活动的设计、持续性评价方案的设计等方面论述了促进“深度学习”教学的生成过程。     

在垃圾分类中寻找化学元素*——基于生活情境的探究性学习

介绍一个结合4种教学策略(情境教学、探究性学习、合作学习、混合式教学)面向非化学专业类大一学生开展元素化学教学的案例。以垃圾分类为主题,学生分组协作完成探究性学习任务,调查不同种类垃圾中存在的化学元素及其用途,通过线下课堂展示、线上成果共享以及校外推广等3项活动传播探究结论。对比活动前后收集的数据,活动前有75%的学生只认识原子序数前20的化学元素,活动后学生认识的元素数量明显增多,平均值是原来的1.7倍。元素中文名称与元素符号记忆混乱的情况得到改善。最后问卷调查表明活动提高了学生上课的积极性并且对了解生活中的化学元素有帮助。     

基于互动和合作学习的无机化学教学模式

在分析无机化学课堂教学现状和采纳学生建议的基础上提出了构建互动和合作学习的无机化学教学模式。着重介绍了"分组互动、读书报告会、尝试讲课和评判纠错"互动和合作学习的过程。教学实践表明,这种互动和合作学习正是学生需要和喜欢的无机化学教学模式。     

国外化学元素周期表教学方式的介绍与启示*——基于2009-2019年Journal of Chemical Education的载文

查阅2009-2019年Journal of Chemical Education中关于化学元素周期表的发文情况,分析其在学科范围、授课对象及教学方式等3方面的特征,最后介绍了具有代表性的教学案例:构建模型、游戏学习、探究学习、合作学习等。     

从课程标准到单元学习目标*——以化学学习单元设计为例

将课程标准转化为学习目标是进行单元设计的核心问题。基于北京市十一学校化学学科在不同化学学习模块中的单元教学实践,总结了将课程标准转化为学习目标的通用策略,包括基于课程标准的关键词解构,基于核心素养的单元核心重构,基于单元学习任务的学习者目标的转化,以及学习迁移和学习建构的互补。这一方法对于化学学科不同模块下的学习单元设计乃至其他学科都具有一定的通用性。     

A semi-supervised learning approach for RNA secondary structure prediction

RNA secondary structure prediction is a key technology in RNA bioinformatics. Most algorithms for RNA secondary structure prediction use probabilistic models, in which the model parameters are trained with reliable RNA secondary structures. Because of the difficulty of determining RNA secondary structures by experimental procedures, such as NMR or X-ray crystal structural analyses, there are still many RNA sequences that could be useful for training whose secondary structures have not been experimentally determined. In this paper, we introduce a novel semi-supervised learning approach for training parameters in a probabilistic model of RNA secondary structures in which we employ not only RNA sequences with annotated secondary structures but also ones with unknown secondary structures. Our model is based on a hybrid of generative (stochastic context-free grammars) and discriminative models (conditional random fields) that has been successfully applied to natural language processing. Computational experiments indicate that the accuracy of secondary structure prediction is improved by incorporating RNA sequences with unknown secondary structures into training. To our knowledge, this is the first study of a semi-supervised learning approach for RNA secondary structure prediction. This technique will be useful when the number of reliable structures is limited.     

Data-driven machine learning models for quick prediction of thermal stability properties of OLED materials

Organic light-emitting diode (OLED) materials have exhibited a wide range of applications. However, the further development and commercialization of OLEDs requires higher quality OLED materials, including materials with a high thermal stability. Thermal stability is associated with the glass transition temperature (T_g) and decomposition temperature (T_d), but experimental determinations of these two important properties generally involve a time-consuming and laborious process. Thus, the development of a quick and accurate prediction tool is highly desirable. Motivated by the challenge, we explored machine learning (ML) by constructing a new dataset with more than 1,000 samples collected from a wide range of literature, through which ensemble learning models were explored. Models trained with the LightGBM algorithm exhibited the best prediction performance, where the values of mean absolute error, root mean squared error, and R² were 17.15 K, 24.63 K, and 0.77 for T_g prediction and 24.91 K, 33.88 K, and 0.78 for T_d prediction. The prediction performance and the generalization of the ML models were further tested by two applications, which also exhibited satisfactory results. Experimental validation further demonstrated the reliability and the practical potential of the ML-based models. In order to extend the practical application of the ML-based models, an online prediction platform was constructed. This platform includes the optimal prediction models and all the thermal stability data under study, and it is freely available at http://www.oledtppxmpugroup.com. We expect that this platform will become a useful tool for experimental investigation of T_g and T_d, accelerating the design of OLED materials with desired properties.     

非正式环境下的化学探究学习*——以博物馆为例

依据任务驱动学习理论,选择苏州博物馆中的金属材料藏品制作化学探究学习任务单,以“寻找金属文物”“金属铸造奥秘”“金属文物防护”等3个主题任务引导学生在博物馆中学习化学,使得化学探究学习兴趣更盎然、观察更仔细、思辨更深入、学习更自主。     

化学系统性思维的表征手段与改革实践*

化学系统性思维强调化学子系统之间,以及化学系统与其他学科系统之间的关系,有助于学习者整合、应用化学知识解释化学现象、解决化学问题。内外交织的多个不同系统很容易让学生迷失在纷繁复杂的概念体系中,需要借助SOCME,OPM,BOTG,CLD,SFD等可视化图形工具厘清各个系统之间的关系,以表征化学系统性思维。在明确化学系统性思维内涵的基础上,开展“化学平衡”教学改革,探索绿色化学课程建设,开展游戏化学习、服务性学习、深度学习、项目学习、工作坊或研讨会,有助于化学系统性思维培养实践的改革与落地。横向关联化学系统与其他学科系统的关系,纵向深入分析化学子系统之间的关系,是进一步开展化学系统性思维教学的关键。这就需要多学科的协同攻关,既要关注化学知识的社会应用,也要抓住化学学科本质和特征,才可以围绕化学概念和社会问题,建构纵横交织的多系统影响关系,促进学生化学系统性思维的发展。     

影响高中化学有效学习因素的实证分析

设计了《影响高中生化学有效学习因素调查问卷》,在具有代表性的普通中学进行大样本的问卷调查,调查数据经计算机统计处理,结果发现：学习习惯、学习方法、学习内容难度等3个维度对高中生有效学习具有显著影响,学习环境维度对高中生有效学习影响不明显;这4个维度对男女生的影响差别不是很大,但对不同年级学生的影响度发生了变化。由此可以为中学一线化学教师的有效教学策略提供有益的启示。     

Multi-instance multi-label distance metric learning for genome-wide protein function prediction

Multi-instance multi-label (MIML) learning has been proven to be effective for the genome-wide protein function prediction problems where each training example is associated with not only multiple instances but also multiple class labels. To find an appropriate MIML learning method for genome-wide protein function prediction, many studies in the literature attempted to optimize objective functions in which dissimilarity between instances is measured using the Euclidean distance. But in many real applications, Euclidean distance may be unable to capture the intrinsic similarity/dissimilarity in feature space and label space. Unlike other previous approaches, in this paper, we propose to learn a multi-instance multi-label distance metric learning framework (MIMLDML) for genome-wide protein function prediction. Specifically, we learn a Mahalanobis distance to preserve and utilize the intrinsic geometric information of both feature space and label space for MIML learning. In addition, we try to deal with the sparsely labeled data by giving weight to the labeled data. Extensive experiments on seven real-world organisms covering the biological three-domain system (i.e., archaea, bacteria, and eukaryote; Woese et al., 1990) show that the MIMLDML algorithm is superior to most state-of-the-art MIML learning algorithms.