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 .     

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.     

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.     

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.     

我校组织力量探索人体非目视觉功能

为探究人体非目视觉特异功能,从今年二月八日开始至五月上旬,我们对二名能用耳、鼻、腋下三部位认字辨色的少年(一名是萧山义盛中学初二学生郑三迎,女,14岁;另一名是临安城关中学初一学生余菁,女,14岁),进行了多种测试研究.     

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.     

基于K-means算法的学生试卷成绩分析

目前在教学管理中,通常采用算术平均线性划分法对学生成绩进行分析评价,难以准确地反映学生真实的学习情况.笔者运用K-means算法对上海市某高级中学某班的一次试卷成绩进行聚类,并对聚类结果进行了详细分析,为制定有效的教学及学习策略提供相关依据.     

网站特性对消费者在线冲动购买的影响

基于不同行业和地区319名有网络购物经验消费者的问卷调查数据和S-O-R理论,研究了网站的视觉吸引力及易用性对情绪和冲动购买的影响.结果发现:1)网站的视觉吸引力和易用性正向预测情绪的愉悦和唤醒度;2)愉悦正向预测冲动购买并调节唤醒与冲动购买的关系,愉悦度越高,冲动购买越多;在愉悦的情况下,唤醒度越高,冲动购买越多;在不愉悦的情况下,唤醒度越高,冲动购买越少;3)网站的视觉吸引力和易用性通过愉悦的中介作用影响冲动购买.通过模拟购物网站204名有网络购物经验女性的研究数据,验证了上述结果的稳定性.研究结果提示:网站特性在在线冲动购买中起重要作用,商家可以通过提升网站页面(如美观度和导航便利度等)促进网络销售.     

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.     

拓扑结构与明度对比对变化觉察的影响

采用变化觉察的实验范式,通过3个实验来探查拓扑差异与明度对比度差异对视知觉的影响.实验一通过操纵不同类型的客体变化,结果表明人们对客体的空间结构和拓扑结构的变化觉察成绩显著优于对客体形状的变化觉察.实验二通过操纵客体的不同明度变化,结果表明人们对明度变化大的差异更容易觉察.在分散注意条件下,实验三的成绩虽然普遍低于实验二,但两者的整体结果模式是一致的.最后,讨论了注意在变化觉察中的作用,以及拓扑差异与明度对比的关系,进而说明拓扑结构的复杂性.     

数学中用“菱形面积”定义正弦的教学实验

在传统的数学教材中,三角函数的教学从＂比值＂引入以＂数＂为逻辑线索展开,推理严密、层次分明、数学抽象性强.实验以张景中院士＂用面积方法建立三角学,用单位菱形面积引入正弦＂的整体设计思想为背景,在初一年级进行以＂单位菱形面积＂定义正弦引入三角函数的教学研究,旨在拓展学生对正弦概念的＂形＂的思考,促进学生在后续数学学习中数和形的融合,为重建三角函数的教学逻辑体系打下初期的教学实验基础.     

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。     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

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.