中学生学习自我效能感、学习策略与学业成就的关系

以学习自我效能感和学习策略量表为工具 ,通过方差分析、相关分析和路径分析等方法 ,重点考察了学习 自我效能感和学习策略这两个因素对学业成就的影响路径以及相互间的关系.发现中学生的学习自我效能感与学 习策略间存在着显著的相关关系;学习自我效能感和学习策略对初中生的学业成就有显著回归效应 ,而学习策略 对高中生的学业成就有显著回归效应 ;学习自我效能感可通过影响学习策略来间接影响学业成就 .     

学习策略、自我效能感在不同情境下对成绩的影响

为了探索学习策略、自我效能感在不同情境下对成绩的预测作用,选取401名初二学生和361名高二学生作为比较研究的被试,以问卷调查的方式收集数据,主要结果为1)初二和高二学生的认知策略在元认知策略与成绩间的中介作用不同;2)资源管理策略4个方面均能预测初二学生的成绩,只有努力管理、时间管理策略可预测高二学生的成绩;3)自我效能感对初二、高二学生成绩均有预测作用.结果表明在不同情景下学习策略对成绩的预测作用有差异,而自我效能感对其的预测作用较稳定.     

大学生网络成瘾与拒网自我效能及网络自我效能的关系探讨

采用问卷调查方法,对浙江大学和西安电子科技大学的420名大学生网络成瘾状态和拒网自我效能进行了研究,探讨大学生网络成瘾与拒网自我效能及网络自我效能之间的关系,以期对网络成瘾进行预判,并为进一步的网络成瘾干预提供理论基础.研究应用卡方检验分析不同拒网自我效能、网络自我效能组间网络成瘾状态的差异,运用相关分析研究网络成瘾与拒网自我效能、网络自我效能的关系,最后利用多元线性回归法,分析影响网络成瘾的主要因素.研究表明：大学生网络成瘾、网络成瘾倾向组比例分别为12.3%和19.1%,东西部院校之间没有差异,网络成瘾量表总分与拒网自我效能总分及各维度得分呈现显著负相关,而网络成瘾量表总分与网络自我效能总分关系不显著,拒网自我效能较低的大学生其网络成瘾比例高于拒网自我效能高的大学生;拒网自我效能中上网的刺激源和习惯性反应两维度是影响大学生网络成瘾的主要因素.本研究结果提示,增强大学生的拒网自我效能对预防网络成瘾可起到积极作用,提高大学生抵抗网络不良刺激的能力和养成良好的作息习惯是预防网络成瘾的关键.     

旅游企业主移民的生活满意度与地方认同关系研究——以丽江古城为例

旅游企业主移民作为当下社会转型背景下所产生的移民类型,反映了我国现阶段社会复杂多元流动的特点,已成为旅游地理学等学科的研究热点.以丽江古城的旅游企业主移民为研究对象,通过问卷调查获取相关数据,基于SPSS22.0统计软件,对丽江旅游企业主移民生活满意度与地方认同的关系做了回归分析,并探讨社会关系的中介作用,结果显示：（1）旅游企业主移民生活满意度对地方认同有显著影响;（2）社会关系在生活满意度与地方认同之间起显著的部分中介作用;（3）生活满意度对自我效能的解释水平最高,对依恋的解释水平最低.最后,在此基础上为丽江古城的可持续发展提供了建设性意见.     

父母教养方式与高中生自我监控学习的关系——核心自我评价的中介作用

考察了父母教养方式与高中生自我监控学习的关系,及核心自我评价在其中的中介作用.选取424名高中生,采用简式父母教养方式问卷、核心自我评价量表和中学生自我调节学习策略问卷,分别测量其父母教养方式、核心自我评价及自我监控学习.父亲情感温暖直接预测自我监控学习(B=0.22,p0.001),又通过核心自我评价间接预测自我监控学习(B=0.09,p0.05);母亲情感温暖直接预测自我监控学习(B=0.27,p0.001),又通过核心自我评价间接预测自我监控学习(B=0.07,p0.05).自我监控学习与父母教养方式、核心自我评价密切相关,核心自我评价在父母教养方式与自我监控学习及其各维度之间起部分中介作用.     

感知行为效能对旅游者环保行为决策的影响

基于环保行为的集体行动属性,以杭州西溪湿地景区的371名游客为样本,探索了游客感知行为效能与2个层次环保行为意愿的关系,并检验了环保行为态度和地方依恋在上述关系中所起的中介与调节作用.结果显示:1感知行为效能对旅游者环境维护意愿、环境促进意愿均具有显著的正向影响;2环保行为态度在感知行为效能与环保行为意愿之间起着中介作用;3旅游者对景区的情感依恋愈强,感知行为效能对环保行为态度的正向影响就越强,进而对旅游者环保行为意愿产生了更大的正面效应.研究结果说明,除惩罚、教育等传统策略外,旅游地管理方还应该通过集体理性干预、游客关系管理等途径引导旅游者环保旅行,促进旅游业的可持续发展.     

关系类别间接性学习中分类方式的认知特点

以252名大学生为被试,采用关系复杂性不同的3种关系类别,创设个人关系类别的间接性学习条件和参照性交流关系类别的间接性学习条件,通过分类任务探讨关系类别间接性学习中分类方式特点.结果表明：关系类别间接性学习中限定分类成绩显著优于自由分类;分类方式对学习条件具有显著的影响作用,且因关系类别关系复杂性的不同而具有不同表现,4特征复杂关系类别学习中参照条件的分类成绩显著高于个人条件,6特征复杂关系加二阶同功能简单关系类别学习中,个人条件的限定分类成绩显著高于参照条件,6特征复杂关系加二阶异功能简单关系类别学习中,2条件分类成绩无显著差异.     

信息呈现方式、时间压力和认知风格对网上学习的影响

检验信息呈现方式、时间压力和个体认知风格对网上学习的影响效应.包括两个实验:实验一考察信息呈现方式和个体认知风格的影响;实验二考察信息呈现方式和时间压力的影响.结果表明:(1)在学习时间受限时,超文本优于线性文本,而在学习时间宽松时,两者无显著差异;(2)当时间压力不大时,呈现内容组织图不利于学习;(3)网络使用经验可掩盖认知风格的效应.本研究结论认为:文本类型、内容组织图和时间压力对网上学习绩效存在显著的交互作用.     

利用Monte-Carlo模拟评价基因水平的关联分析方法

采用Monte-Carlo模拟了多种参数条件下的遗传关联数据, 计算多种基因水平的关联分析方法的统计效能. 结果显示: 主成分Logistic回归分析(累积贡献率为95%)和我们之前发展的基于LD结构和Fisher组合法的新方法(LD-Fisher)在多种参数条件下都具有很高的统计效能, Fisher组合法只有在单个易感SNP的P值较小时或者存在多个P值不太小的易感SNP时表现较好. 主成分Logistic回归分析和LD-Fisher可以作为基因水平关联分析的较为理想的分析方法.     

背包客身份认同对主观幸福感的影响

已有研究表明,在“日常生活世界”形成的群体身份认同能提升人们的主观幸福感。作为对当前社会快速变化的一种回应,背包旅行能提供展露自我的“自由空间”,建构独特的背包客身份认同。为探明背包客在“旅游世界”建构的身份认同是否显著提升其主观幸福感这一问题,基于社会认同理论和自我决定理论,将自尊作为中介变量,检验了背包客身份认同与主观幸福感之间的关系。通过问卷调查（n=400）收集数据,运用结构方程模型偏最小二乘法（PLS-SEM）进行统计分析。发现：（1）背包客身份认同的自我归类维度、群体自我价值维度对主观幸福感有显著正向影响;（2）群体自我评价维度、群体自我价值维度对自尊具有显著正向影响;（3）自尊对主观幸福感也有显著正向影响,且自尊在群体自我价值影响主观幸福感的过程中起部分中介作用。所得结果丰富了旅游者幸福感与背包客身份认同的理论研究。     

学习系统的重学习收敛性能分析

重学习是指从不只一个初始点开始的学习，本文分析了学习系统的重学习收敛性能，给出了描述重学习的结果优劣和初始点集稠密程度之间关系的定理。并对一个优化问题引出的学习系统做了重学习的仿真，实际结果显示了定理所描述的关系。     

基于深度学习的校园欺凌行为检测研究

为通过校园监控网络实时发现校园欺凌事件, 提出采用人体姿态检测模型与递归神经网络相结合的方法来分析视频中的每一对个体行为, 并通过一个完全连接的网络来识别一系列视频帧的行为, 进而判断是否存在校园暴力行为. 此外, 还建立一个包含了来自校园不同地方的3000多个视频片段数据库, 并对视频中的运动行为进行标注, 以用于训练及测试. 通过对照实验发现 与传统方法相比, 本文设计算法的实时分析准确率更高.     

迭代学习控制的高阶最优学习律

最优迭代学习控制是学习控制中的一个重要研究方向.对高阶最优学习律的研究具有重要意义.该文根据最优化的必要性条件给出关于离散时间线性系统迭代学习控制的高阶最优学习律,证明了该学习律的收敛性.最后给出了仿真实例.     

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长，传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断，可大大缓解人工阅片压力，提高诊断的准确性，促进医疗流程的标准化建设等。目前，深度学习卷积神经网络在医学影像处理中已取得不俗表现，但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解，对近几年相关研究进展进行了综述。首先，综述了深度学习在医学领域的应用现状及面临的问题，对神经网络的可解释性内涵进行了讨论；然后，从现有深度学习可解释性的常见方法出发，重点讨论了医学影像处理的深度学习可解释性研究进展；最后，探讨了医学影像处理的深度学习可解释性的发展趋势。     

面向有限带宽信道的字典学习图像超分辨率重建

固定邻域回归(ANR)算法采用K层奇异值分解(K-SVD)算法进行字典训练, 在字典学习过程中存在稀疏表示系数不准确的问题, 导致重建的结果不理想. 因此, 引入一种改进的K-SVD算法对字典进行训练, 该算法对字典训练改变了传统K-SVD算法更新稀疏表示系数的方式, 使得稀疏表示系数更加准确, 而且加快了字典的收敛速度, 使得训练得到的字典具有更好的稀疏表达能力. 同时, 针对ANR算法的不足, 提出一种面向有限带宽信道基于字典学习的图像超分辨率方法, 该方法采用改进的K-SVD算法训练字典对 , 并将其应用到ANR算法中, 实现图像的超分辨率重建. 实验结果表明, 本文提出的方法不仅能够保持ANR算法快速重建的优势, 而且提高了图像的重建质量, 具有更高的峰值信噪比和结构相似度.     

基于影像组学与集成学习的脑胶质瘤分级预测

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。