基于函数调用图的Android恶意代码检测方法研究

提出了一种基于函数调用图的 Android 程序特征提取及检测方法。该方法通过对 Android 程序进行反汇编得到函数调用图,在图谱理论基础上,结合函数调用图变换后提取出的图结构和提取算法,获取出具有一定抗干扰能力的程序行为特征。由于 Android 函数调用图能够较好地体现 Android 程序的功能模块、结构特征和语义。在此基础上,实现检测原型系统,通过对多个恶意 Android 程序分析和检测,完成了对该系统的实验验证。实验结果表明,利用该方法提取的特征能够有效对抗各类 Android 程序中的混淆变形技术,具有抗干扰能力强等特点,基于此特征的检测对恶意代码具有较好地识别能力。     

深度学习视域下的物质单元复习教学研究

从深度学习视域下的化学学科本质出发思考初中化学复习教学改革策略,以初中化学总复习重要内容之一——物质为例,呈现一例关于物质的深度学习的单元教学案例研究。从认知目标与内容的匹配、学生课堂学习参与的程度、深度学习的特征3个方面反思了教学实践。     

高师化学教育实践课程的设置及实施

东北师范大学2015年对教师教育课程进行了修订,构建了从校内模拟到校外基础实习和应用实习的化学教育实践课程体系,逐渐提升师范生的教学实践能力,为将来成长为一名优秀的化学教师奠定了基础。但在理论与实践的融合、指导教师队伍建设和安全保障措施等方面需要进一步思考。     

概念转变理论的发展及面临的挑战

经过30年的发展,经典概念转变理论的内涵已发生了变化。通过对概念转变理论发展历程的分析,总结了概念转变研究的视角、研究的共识和研究的争议,指出当前概念转变研究面临3方面的挑战:寻找概念转变有效证据的研究方法;如何将成功的概念转变策略引入课堂教学实践;要进一步明确"概念转变"的含义。     

研究性学习在精细化工课程教学中的实践与探索

在精细化工课程中以食品添加剂与食品安全问题为专题开展了研究性学习。以学生兴趣为导向,采用主题离散式的选题方法,开展小组合作研究。重视学习过程和学习能力培养,采用多种方式相结合的方法进行评价,并对研究性学习在实施过程中存在的问题进行了探讨。实践表明,研究性学习可有效地激发学生的学习兴趣,培养学生的探究能力和综合素质。     

基于思维导图的先行组织者支架在化学教学中的应用

教学中教师为了完成教学任务会忽视学生的高阶思维发展的培养,这样做虽然教学目标可以及时完成,但是教学效果会大打折扣,更重要的是直接阻碍了创新及批判性思维、获得隐性知识、自我管理等高阶能力的发展。高阶思维需要高阶学习支架支持,以“基于思维导图的先行组织者支架”在不同课型中的运用,帮助学生参与复杂的认知活动,进而建立高阶思维模型和提升元认知水平。     

高职化工类专业“双师型”教师量化评价体系的构建

建设高素质的“双师型”师资队伍是保证高职教育教学质量的关键。首先分析了化工类专业的人才培养目标与所必须具备的专业能力,由此确定了化工类专业双师素质教师的专业核心能力及支撑专业核心能力的主干课程,进一步建立了高职化工类专业“双师型”教师量化评价体系,为高职化工类双师型教师的引进、培养、评价和管理提供了参考依据。     

职前和在职化学教师“化学平衡”课堂教学解释能力的对比

运用录像分析法,以Hannah Sevian和Lisa Gonsalves设计的教师课堂教学解释能力评价量表为工具,对职前和在职化学教师课堂教学解释能力（以“化学平衡”内容为例）进行测评。研究发现：职前化学教师和在职化学教师的课堂教学解释能力在一般性教学知识（PK）、学科内容知识（CK）、学科教学知识（PCK）等3方面均存在显著差异,即职前化学教师得分由高到低分别为PK、CK、PCK,在职化学教师得分由高到低则分别为PK、PCK、CK;具体差异主要体现在“事实性知识”“将知识运用到不同情境中的能力”“使用心智图像解释”“搭建解释”等方面。     

理科职前教师科学模型理解的调查研究

就科学模型的理解对553名理科职前教师进行问卷调查。结果发现：（1）职前教师对科学模型的认识处于中上水平,仍需进一步提高;（2）科学模型的多个维度之间职前教师的理解水平相当;（3）职前教师对科学模型的认识并非随年级逐渐递增,具有不稳定性、反复性;（4）专业学习内容的差异对教师科学模型的认识有着重要影响;（5）科学模型的认识性别差异不明显。基于此提出了关于理科职前教师教育中加强科学模型教学的3点启示。     

Exploring the relationship between fractal features and bacterial essential genes

Essential genes are indispensable for the survival of an organism in optimal conditions.Rapid and accurate identifications of new essential genes are of great theoretical and practical significance.Exploring features with predictive power is fundamental for this.Here,we calculate six fractal features from primary gene and protein sequences and then explore their relationship with gene essentiality by statistical analysis and machine learning-based methods.The models are applied to all the currently available identified genes in 27 bacteria from the database of essential genes(DEG).It is found that the fractal features of essential genes generally differ from those of non-essential genes.The fractal features are used to ascertain the parameters of two machine learning classifiers:Na¨?ve Bayes and Random Forest.The area under the curve(AUC) of both classifiers show that each fractal feature is satisfactorily discriminative between essential genes and non-essential genes individually.And,although significant correlations exist among fractal features,gene essentiality can also be reliably predicted by various combinations of them.Thus,the fractal features analyzed in our study can be used not only to construct a good essentiality classifier alone,but also to be significant contributors for computational tools identifying essential genes.