如何培养学生的建模能力

如何培养学生的数学建模能力

所谓“高效教学” , 就是要最大程度地发挥课堂教学的功能和作用 , 即在课堂 45 分钟内要最大限度、最完美地完成教学任务、达成育人目标 , 在课堂有限的教学时间内完美地实现教育教学的三维目标整合 , 以求得课堂教学的最大效益。我认为 , 我们平时所说的“轻负担、高质量、向课堂教学要效益” , 就是“高效教学”这种课堂教学理念的反映。但是 , “高效教学”不仅仅是指知识的传授、技能的增进 , 而且还应该包括情感、态度和价值观等方面的要求。那么如何在初中语文教学中实施高效教学呢 我认为应从以下几点做起 :

一、让学生带着问号走进教室

我们知道，新课程理念提倡自主学习，但是由于个性的差异，不同的学生有不同的学情，对问题的理解有时也不是仅仅靠自主学习就能解决的，所以课前预习过程当中难免会遇到各种各样的问题，而这些问题就是学生需要解决的问题，也是值得我们探究的问题。比如，我在布置学生自主学习《社戏》一课时，预设了这样的探究题：鲁迅先生笔下的那场戏好看吗？为什么？不少同学都认为好看，因为他们形成的共识是：要是不好看的话，鲁迅先生为什么还要写呢？甚至还把它作为文章的标题呢？实在没有必要。当然也有同学认为这样戏实在没有什么好看的，但是他们又说不出不好看的理由。这样就把一个带有探究性的问题带进了教室，无疑也就提高了他们听课的效率。 把一个带有探究价值的问题带进了教室，无疑也提高了他们听课的效率。问题是探究性学习的动力，是创新的基石。起初，同学们的问题意识比较薄弱，每天都是习惯以老师的问号进课堂，以铃声的响起为句号出课堂。为了避免这种传统的课堂教学模式，一开始我主动预设一些具有探究价值的问题让学生去思考、研究，然后让他们带着研究的成果走进教室。一段时间之后，同学们发现了老师预设探究性问题的规律，也就能自主设置一些很有价值的探究题，就能使教学效果较佳。

二、利用现代多媒体技术，丰富课堂，寓教于乐

网络已势不可挡地进入每个人的生活，也成为教学中必不可少的工具和资源。大部分中学生学习语文只是在课堂上，除此之外没有更多的时间去积累，现在的中学生很累，作业一天到晚都在做，但是语文学习更多的是在课外的大量阅读中积累，利用网络资源给学生创造一个这样的环境，必然会促进学生对语文的感悟和理解。教师可选择一些跟教材内容相关的**、电视和新闻，可使学生既了解教材内容相关的风土人情、生活方式等，开阔视野，了解世界，这也是促进学生对语文重新认识，产生兴趣的好时机。教师可多搜集与教材相关的照片、漫画等，在适当的时刻呈现给学生，让学生集中注意力，活跃课堂气氛，提高学生的注意力和记忆力，促进学生语言表达能力的形成。利用网络选择适合学生的小游戏、诗歌、典故等，成立语文学习兴趣小组，积极开展语文学习活动，在班级通过语文演讲比赛、诗歌朗诵比赛、作文比赛等，可丰富学生课余生活，巩固课上学习内容，创造学习语文的良好环境和氛围，让学生在活动中，相互学习、相互帮助、追帮赶超、互相感染、交流沟通，共同提高语文学习效果，为打造高效课堂注入新的活力。

三、小组合作互动打造语文高效课堂

小组合作学习模式在课堂教学中的实施形式是各种各样的，可以根据学生的年龄特征、教学要求和教学目标，灵活组织。为此，我采用小组学习和班级学习相结合的方式，让学生尝试着解决所要达到的学习目标。4～6人为一组。如讨论《孔乙己》中孔乙己悲剧命运产生的原因时，先向学生阐明故事发生的时代背景及孔乙己的人生轨迹，在这一基础上通过小组讨论形成共识，使学生真正体会作者的写作意图。

其次合理划分合作小组。我们在构建合作小组时，遵循“组间同质，组内异质，优势互补”的原则，按照学生的知识基础、学习能力、性格特点的差异进行分组，每组6人。这样分组不但有利于学生间的优势互补，而且为全班各小组之间的公平竞争打下了基础。

最后明确小组成员分工。在小组互动学习中，小组成员必须分工明确，承担起自己应尽的责任。每个小组成员都是组长，只是分工不同。学习组长，主要是在课堂上安排学习任务，组织学生讨论，监督学习进程。作业组长，主要是收发作业并检查作业完成情况。小组成员既要积极承担个人责任，又要相互支持、密切配合，发挥团队精神，有效地完成小组学习任务。如翻译《狼》时，学习组长把每段分配给个人，然后大家一起翻译，疑难之处讨论交流，既加深了对课文的理解，又提高了学习效率。

本次实验将加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据进行基于集成模型的情感极性模型训练，然后利用模型对主题句进行情感极性推理，最后通过数据聚合可视化得出主题情感极性。

使用 Pandas 加载在线数据表格，并查看数据维度和前 5 行数据。

数据属性如下表所示

加载我们之前通过主题词典提取出来的主题句。

数据属性如下表所示

用户评论分词

jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。

批量对用户评价进行分词，需要一些时间，并打印第一行情感极性训练集的分词结果。

批量对用户评价主题句进行分词，并打印第一句用户主题句分词结果。

依据统计学模型假设，假设用户评论中的词语之间相互独立，用户评价中的每一个词语都是一个特征，我们直接使用 TF-IDF 对用户评价提取特征，并对提取特征后的用户评价输入分类模型进行分类，将类别输出为积极的概率作为用户极性映射即可。

用户评论向量化

TF-IDF 是一种用于信息检索与数据挖掘的常用加权技术，当某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，比较适合对用户评论中的关键词进行量化。

数据集合划分

按照训练集 8 成和测试集 2 成的比例对数据集进行划分，并检查划分之后的数据集数量。

我们在系列实验的开始使用朴素贝叶斯模型来训练情感分析模型，下面我们新增逻辑回归模型作为对比模型。逻辑回归（Logistic Regression）是一种用于解决二分类问题的机器学习方法，在线性回归的基础上，套用了一个 sigmod 函数，这个函数将线性结果映射到一个概率区间，并且通常以 05 分界线，这就使得数据的分类结果都趋向于在 0 和 1 两端，将用户评论进行向量化之后也可以用此方式预测用户情感。本实验直接对标注过的用户情感数据进行训练，并验证单一模型和集成模型在情感分析性能上的差异。

模型加载

通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，利用常用的分类模型评价指标对训练好的模型进行模型评价，accuracy_score 评价被正确预测的样本占总样本的比例，Precision 是衡量模型精确率的指标，它是指模型识别出的文档数与识别的文档总数的比率，衡量的是模型的查准率。Recall 召回率也称为敏感度，它是指模型识别出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率，表示正样本在被正确划分样本中所占的比例，f1_score 值是精确率与召回率的调和平均数，是一个综合性的指数。

我们分别对不同模型使用相同的数据集进行训练和测试，以此来比较单模型之间的差异，并打印模型运行时间供大家参考，批量处理不同的模型需要一些时间进行计算，清耐心等待。

通过求得的指标进行模型评价，我们发现使用相同的数据进行模型训练，朴素贝叶斯模型和逻辑回归模型性能基本持平，相差很微弱，逻辑回归稍稍占一些优势。

Stacking 堆栈模型训练

集成学习是地结合来自两个或多个基本机器学习算法的优势，学习如何最好地结合来自多个性能良好的机器学习模型的预测结果，并作出比集成中的任何一个模型更好的预测。主要分为 Bagging， Boosting 和 Stacking，Stacking 堆栈模型是集成机器学习模型的一种，具体是将训练好的所有基模型对整个训练集进行预测，然后将每个模型输出的预测结果合并为新的特征，并加以训练。主要能降低模型的过拟合风险，提高模型的准确度。

开始对两个模型进行集成训练，训练的时间要比单一模型时间久一些，清耐心等待。

评测结果收集。

结果分析

将结果存入 Dataframe 进行结果分析，lr 表示逻辑回归，nb 表示朴素贝叶斯，model_stacking 将两个单模型集成后的模型。从结果来看集成模型准确度和 f1 值都是最高的，结合两个模型的优势，整体预测性能更好，鲁棒性更好。

样例测试

通过测试样例发现，分类器对正常的积极和消极判断比较好。但是当我们改变语义信息，情感模型则不能进行识别，模型鲁棒性较差。作为早期的文本分类模型，我们使用 TFIDF 的特征提取方式并不能很好的解决语义问题，自然语言是带有语序和语义的关联，其词语之间的关联关系影响整句话的情感极性，后续我们继续试验深度情感分析模型研究解决此类问题。

加载民宿主题数据。

模型预测

将情感分析模型推理的结果写入 DataFrame 中进行聚合。

单主题聚合分析

挑选一个主题进行主题情感分析。

对民宿“设施”进行描述统计，此次我们使用主题词典的出来的用户关于民宿“设施”主体的讨论条数为 4628 条，平均用户情感极性为 040 表示为整体呈现不满意的情况，有超过一半的关于“设施”的民宿评论中表现用户不满意的情况，重庆民宿需要在“设施”进行改善，以此提高用户满意度。

单主题情感极性可视化

我们开始进行“设置”主题下的用户主题情感进行可视化，首先加载画图模块。

对“设施”主题下的用户情感极性进行可视化，我们利用集成模型对主题句进行情感极性预测，如下所示。

《Pledge: Extra credit》（《誓言》）是一款关于大学校园生活中人际与 情感 关系的有着很多成人元素的大学校园生活模拟 游戏 。 游戏 中有着丰富的人物和对话选择并且有着非常多的各位lsp们喜闻乐见的R18环节，并且大部分主流的xp在 游戏 中都能够有对应的玩法，很贴心。虽说现阶段没有中文文本支持且同时没有音频语音支持，但是整体上英文文本难度不高，大部分有着一定英语基础的玩家都能够流畅游玩。

Melissa作为一名还未成年的初入大学的大学新生，加入了学校内规模最大的一个联谊会（学生会？Maybe？）。加入联谊会便意味着花天酒地生活的开始，无尽的派对和啤酒，当然伴随着这俩的还有数不尽的sex（怎么疯怎么玩）。在这样浑浑噩噩的日子中，她渐渐成为了学校中响当当的“头一号”，当然学习也一落千丈，这时父母听闻她在学校的种种表现也开始觉得花钱继续供她上学时是件浪费钱的事儿便断了她的生活费。唯一能够改变现状的方法便是在剩下的最后一年中平稳通过期末考试并且顺利毕业。

同时，作为联谊会中的“老大姐”，她还需要继续领导着其他的学弟学妹们，且同时联谊会在她父母“断粮”之后已经变成了她为数不多的经理来源。所以如何在没有父母经济支持的前提下在一学期中合理地平衡联谊会的事务和人际关系以及挽救自己惨不忍睹的成绩就完全取决与玩家自己。

不得不说，老美那边的审美和亚洲这的完全是俩回事， 游戏 内有些npc真的长得有些抽象得下不去diao，但不得不地说老美他们果然还是器大活好。

单说人物建模不看脸的话还是很不错的，前凸后翘，但是脸部建模就比较看人了，毕竟审美这种东西还是因人而异的。 游戏 玩法其实也不算新鲜，同类玩法有《House Party》，本作相比于它来说舞台更大些，且能够互动npc更多。在 游戏 中，玩家需要在有限的时间内恰当地管理时间和钱财并且同时处理好各方面的人际关系。玩家所做的一切的目的都是为了顺利毕业，

并且还得兼顾自己的生计问题（经理来源）、各个学科的学习成绩、联谊会也其他不同团体之间的关系甚至自己的外貌方面的问题，在一个周目30天内要完成这些大大小小的东西时间实在是有些过于紧张甚至有些力不从心，几乎没有多余的时间去解锁cg，不通过作弊等方面的话基本上没有办法做到全解锁。基本上都是直接日程拉满，几乎没有什么多余的时间。

游戏 内有着丰富的可 探索 内容，玩家能够在校园内很大程度地自由 探索 ，不同的地点内有不同的npc角色和可进行事件。仅仅只局限在与一个地点反复刷好感度是不现实的。不仅如此， 游戏 还有着11个不同的结局可供玩家 探索 游玩。

总体来说游玩体验很棒，虽说现阶段没有中文文本支持， 游戏 流程有些赶而且并不算很长，同时部分人物角色的剧情有些过于简陋还需要更多的打磨，除了这三点之外其余方面都比较让人满意，是一款很值得一玩的r18校园模拟 游戏 。

PC 游戏 ，Steam平台， 游戏 名：Pledge: Extra credit

文：XXOO_Solanum_TK

目前人工智能的研究发展已经达到了较高的水平，同时它的研究内容也在逐步扩展和延伸。对人的情感和认知的研究是人工智能的高级阶段，它的研究将会大大促进拟人控制理论、情感机器人、人性化的商品设计和市场开发等方面的进展，为最终营造一个人与人、人与机器和谐的社会环境做出贡献。心理学家认为，人工智能下一个重大突破性的发展可能来自与其说赋予机器更多的逻辑智能，倒不如说赋予计算机更多的情感智能。对人的情感和认知的研究是在人工智能理论框架下的一个质的进步。因为从广度上讲它扩展并包容了感情智能，从深度上讲感情智能在人类智能思维与反应中体现了一种更高层次的智能。对人的情感和认知的研究必将为计算机的未来应用展现一种全新的方向。在这个领域的研究中主要包括情感计算（Affective Computing）、人工心理（Artificail Psychology）和感性工学（Kansei Engineering）等。

人工心理理论是由中国北京科技大学教授、中国人工智能学会人工心理与人工情感专业委员会主任王志良教授提出的。他指出，人工心理就是利用信息科学的手段，对人的心理活动（着重是人的情感、意志、性格、创造）的更全面再一次人工机器（计算机、模型算法等）模拟，其目的在于从心理学广义层次上研究人工情感、情绪与认知、动机与情绪的人工机器实现的问题。

日本从上世纪九十年代就开始了感性工学（Kansei Engineering）的研究。所谓感性工学就是将感性与工程结合起来的技术，是在感性科学的基础上，通过分析人类的感性，把人的感性需要加入到商品设计、制造中去，它是一门从工程学的角度实现能给人类带来喜悦和满足的商品制造的技术科学[4]。日本已经形成举国研究感性工学的高潮。

欧盟国家也在积极地对情感信息处理技术（表情识别、情感信息测量、可穿戴计算等）进行研究。欧洲许多大学成立了情感与智能关系的研究小组。其中比较著名的有：日内瓦大学 Klaus Soberer领导的情绪研究实验室。布鲁塞尔自由大学的D Canamero领导的情绪机器人研究小组以及英国伯明翰大学的A Sloman领导的 Cognition and Affect Project。在市场应用方面，德国Mehrdad Jaladi-Soli等人在2001年提出了基于EMBASSI系统的多模型购物助手。EMBASSI是由德国教育及研究部（BMBF）资助并由20多个大学和公司共同参与的，以考虑消费者心理和环境需求为研究目标的网络型电子商务系统。

我国对人工情感和认知的理论和技术的研究始于20世纪90年代，大部分研究工作是针对人工情感单元理论与技术的实现。哈尔滨工业大学研究多功能感知机，主要包括表情识别、人脸识别、人脸检测与跟踪、手语识别、手语会成、表情合成、唇读等内容，并与海尔公司合作研究服务机器人。清华大学进行了基于人工情感的机器人控制体系结构的研究。北京交通大学进行多功能感知机和情感计算的融合研究。中国科学院自动比研究所主要研究基于生物特征的身份验证。

当前国际人工智能领域对人工情感合认知领域的研究日趋活跃。美国人工智能协会（AAAI）在1998，1999和2004年连续组织召开专业的学术会议对人工情感和认知进行研讨，国内的研究者也开展了许多的研究工作和学术活动。2003年12月在北京召开了第一届中国情感计算及智能交互学术大会。2005年10月在北京召开的第一届情感计算和智能交互国际学术会议，集合了世界一流的情感计算、人工情绪和人工心理研究的著名专家学者。这说明我国的人工情感和人工心理的研究在逐步展开并向国际水平看齐。

对情感计算的研究大致可以分为情感识别、情感建模和情感反应三大部分，这其中情感识别无疑是最基础，也是最重要的部分。

综上所述，对人的情感和认知的研究，包括对情感识别的研究，无论在理论上还是实践中都已经受到了研究者广泛的关注，对这一问题的研究具有重要的理论和应用价值。对这一问题的研究将最终推动人工智能的进一步发展，实现人机和谐的目标。