"负责任创新"教育:现状、要求与路径 ——以理工科类大学生为视角

"负责任创新"是近年来欧美国家提出的一种新发展理念,对促进经济、社会与科学技术协调发展具有重要理论价值和现实意义.理工科类大学生作为国家未来技术创新的生力军,亟待加强"负责任创新"教育.为此,从社会整体发展、社会创新主体、创新教育范式、受教育对象成长四个层面回应"负责任创新"教育的现实诉求,遵循"负责任创新"的"预测—反思—协商—反馈"的代表性理论框架来设计"负责任创新"教育的基本要求,最终从从业认证、课程协同、意识培育、文化营造等维度构建具有相对统一价值追求和实践规范的新型创新教育范式,为我国应对新一轮科技革命与产业变革,提供服务创新驱动发展新路径,增强高水平创新人才储备.     

从“意识独占”到“感觉独占”——论网络文学“新文类”的存在形态及沉浸式体验的嬗变

网络文学包括“类型文”和“新文类”两幅面孔，前者是当前国内网文研究的主流，后者则常常被忽略。而事实上“新文类”的种类繁多、形态独特，主要包括超文本、多媒体文本、互动文本和机器文本四种类型，具体形态有超文本小说、多向诗，文字造景型、语图互文型和多媒体文学，互动小说、接龙小说和文字游戏作品，以及生成艺术、定位叙事和人工智能作品等。其文本内在性质和读者审美体验也发生了重要嬗变，即在文本性质上，“新文类”从“人工制品”走向“机器诗意”;在审美体验上，则从“意识独占”走向“感觉独占”。注意到这种嬗变，对“新文类”的恰当定位以及未来发展都有着重要的价值和意义。     

基于创新能力培养的管理类研究生课程教学改革探析

研究生课程教学质量对研究生创新能力的培养有重要影响。目前,管理类研究生课程教学在课程设置、教学方式、创新能力培养等方面存在诸多问题,这些问题的存在既与研究生培养目标定位不清晰有关,也与课程教学主体不明确、教学考核机制不合理有关。管理类研究生课程教学改革既要立足于研究生创新能力的培养,注重课程教学与研究生科研能力培养相融合,教学方式由传授式向研讨式转变,还要构建科学合理的课程体系,建立科学的研究生课程评价机制等。     

地勘类企业薪酬优化研究

地勘类企业属于智力密集、知识密集且技术密集型服务型组织。企业内部实施的薪酬机制不但直接和员工自身利益挂钩,还直接影响着企业的经营成本与市场核心竞争力。本文主要分析现阶段地勘类企业在薪酬优化方面存在的问题现状,探讨深化企业内部薪酬优化的举措,以期能够强化薪酬的激励功能,提升企业市场核心竞争力。     

新时代政法类院校思想政治理论课建设探究

政法类院校作为国家培养高级政法人才的重要基地,思政理论课建设尤为重要。新时代政法类院校思政课建设,应以习近平新时代中国特色社会主义思想为引领,针对政法类院校思政课教学本身具有的特殊性及建设中存在的困境,从教育理念、顶层设计、教学目标、教学内容、课程体系、资源借鉴、教学方法、教师培养、教材建设、考评机制等方面思考建设方案和改进途径。     

融合发展绩效与创新分级的开发区综合评价——以安徽省经济开发区为例

开发区是地方经济增长的引擎,对改善投资环境,带动地方经济发展贡献突出。对开发区进行科学有效评价,将有利于其健康发展。研究从经济效益和对外开放两个方面,基于投入、产出的8项指标,采用熵值法计算开发区绩效;为明确创新与绩效关系,采用K-means聚类算法对开发区的创新等级进行识别,并结合熵值法计算结果,构建创新—绩效的关系分布。同时进一步基于2012年至2016年安徽省统计年鉴数据,展开实证研究。分析结果显示:安徽省16个地市省级以上开发区分布在3个类型区,其中,位于高创新—高绩效类型区的地市数量少,低创新—低绩效类型区的地市数量偏多,各地市发展差距明显。针对这3个类型区,分别提出均衡经济梯度、加快产业转移、产业结构调整等建议。     

大数据背景下基于社交网络的聚类随机游走抽样算法研究

数字经济时代,社交网络作为数字化平台经济的重要载体,受到了国内外学者的广泛关注。大数据背景下,社交网络的商业应用价值巨大,但由于其网络规模空前庞大,传统的网络分析方法 因计算成本过高而不再适用。而通过网络抽样算法获取样本网络,再推断整体网络,可节约计算资源, 因此抽样算法的好坏将直接影响社交网络分析结论的准确性。现有社交网络抽样算法存在忽略网络内部拓扑结构、容易陷入局部网络、抽样效率过低等缺陷。为了弥补现有社交网络抽样算法的缺陷,本文结合大数据社交网络的社区特征,提出了一种聚类随机游走抽样算法。该方法首先使用社区聚类算法将原始网络节点进行社区划分,得到多个社区网络,然后分别对每个社区进行随机游走抽样获取样本网 络。数值模拟和案例应用的结果均表明,聚类随机游走抽样算法克服了传统网络抽样算法的缺点,能够在降低网络规模的同时较好地保留原始网络的结构特征。此外,该抽样算法还可以并行运算,有效提升抽样效率,对于大数据背景下大规模社交网络的抽样实践具有重大现实意义。     

基于群体协同智能聚类的期刊分类大数据自动存储方法

求解期刊分类大数据自动存储问题时，传统方法在分解的过程中无法保证准确性与合理性，对解的合并策略选择不合理，导致寻优过程中出现一定的偏差，造成期刊分类存储效率大大降低。为此，需要提出一种新的基于群体协同智能聚类的期刊分类大数据自动存储方法。确定径向基神经网络的初始结构，通过样本分布计算径基宽度获取隐节点群，将其当成初始集合。将分类存储精度最高、F-measure最大、期刊特征相似性最高作为目标函数，将其加权和作为适应函数。在求解过程中，各子群内部通过模拟退火法将分布估计算法和遗传算法结合在一起，产生新个体，利用群体协同合作的方式实现智能聚类。通过进化获取最优个体，得到最终精英集合，将其看作最后得到的径向基神经网络结构，通过得到的径向基神经网络实现期刊分类大数据自动存储。实验结果表明，所提方法期刊分类大数据存储性能强。