高等职业教育特性探析

高等职业教育与普通高等教育和中等职业教育相比,有着自身的独特性质,主要表现在人才培养目标、人才培养模式、教学方式与教学过程、专业与课程设置、师资队伍建设等方面。     

吉林省高等职业教育集团化发展的思考

吉林省高等职业教育走集团化发展道路,可以满足吉林省经济发展的需要、促进人才培养模式的改革、促进师资队伍的建设。吉林省政府大力支持职业教育,鼓励组建职教集团,吉林省五大产业基地建设取得一定的成效,高职院校具有一定的特色和优势,对于组建高职集团提供了良好的条件。     

关于大学新生适应性教育的探讨

大学新生从入学到基本适应大学环境这一段时间,被称为大学新生的适应期。大学新生能否顺利度过这个适应期,对于整个大学生活都将产生较大影响。因此,对新生进行适应性教育就显得尤为重要了。本文阐述了适应性教育的内涵、意义、目标,并且提出了大学新生适应性教育的思路。     

职业院校应在计算机教学中如何培养学生的创新能力

职业教育要顺应时代的发展需要,努力提高学生的动手能力,培养学生的创新能力,这是教师面临的一项历史使命。本文针对于不同的教学内容,阐述了在教学中对学生进行创新能力培养的措施。     

农村中等职业教育投资存在的问题及发展途径

发展农村中等职业教育对教育、经济、社会发展具有重要意义,是树立和落实科学的教育发展观的必然选择,是我国经济发展的客观要求,是推进社会主义新农村建设、促进和谐社会构建的必然之路。农村中等职业教育投资面临的主要问题：政府财政投入不足;投资主体单一;投资渠道不畅;成本分担机制未形成;政府投入效率不高。加强农村中等职业教育投资的机制和途径：加大政府经费投入力度,改革经费投入方式;明晰产权、大力发展民办中职教育、增加中等职业教育资源,推进办学体制改革,提高中等职业学校办学效益;建立完善中等职业教育成本分担机制,扩大经费来源范围;提高中等职业教育融资能力,拓展中等职业教育投资渠道。     

危机干预视角下的PTSD治疗方法分析

以危机干预为视角对创伤后应激障碍的两种主要的治疗方法,叙事暴露疗法和延迟暴露疗法进行了比较,在理论基础、学习和恐惧条件、叙事和治疗因素等方面分析了两种方法的共同点和差异。在这种比较的基础上,对两种方法在当前研究中的主要问题进行了分析和探讨,并且对将来的研究方向进行了展望,进而对将来的危机干预提供方法学指导。     

资本主义趋向问题及相关论争的思想史考察

资本主义趋向问题是贯穿马克思主义发展史的核心问题之一。从19世纪马克思恩格斯围绕“两个必然”论断进行政治经济学论证,到20世纪由资本主义“适应论”和“变质论”引发的一系列论争,再到21世纪资本主义危机频现推动对这一问题研究的复苏,马克思主义研究者们对资本主义结构体系的分析不断深入,对资本主义未来走向的认识也愈加清晰。对这一问题研究总体经历了由预判资本主义消亡结局向全方位批判资本主义社会结构体系的转变过程,贯穿这一思想史发展过程的主题是通过对资本主义生产方式和资本主导逻辑的批判,论证资本主义社会的历史性衰落趋势和资本积累极限存在的客观性。资本主义与社会主义两制长期共存竞争的格局并不会从根本上改变资本主义的历史命运。     

工作压力、教学效能感对普通高中与职业中学教师职业枯竭影响的比较研究

该研究通过对14所普通高中、15所职业中学704名教师的问卷调查,将普通高中、职业中学教师的教学效能感和工作压力对教师职业枯竭的预测作用进行了比较,结果表明:第一,工作压力对普通高中和职业中学教师的职业枯竭具有显著的预测作用,但是存在差异;第二,教学效能对普通高中和职业中学教师的职业枯竭都具有显著的预测作用,但是存在差异;第三,通过对工作压力和教学效能的联合考察,能够更好地预测普通高中和职业中学教师的职业枯竭。     

广东高等职业教育发展需求剖析

文章从社会经济发展趋势、产业结构的调整优化、城镇化战略和生产力发展以及人民生活水平提高等方面,对广东高等职业教育发展需求进行研究,以期对发展高等职业教育有更好的认识与把握     

Improved Transferability of Data‐Driven Damage Models Through Sample Selection Bias Correction

Damage models for natural hazards are used for decision making on reducing and transferring risk. The damage estimates from these models depend on many variables and their complex sometimes nonlinear relationships with the damage. In recent years, data‐driven modeling techniques have been used to capture those relationships. The available data to build such models are often limited. Therefore, in practice it is usually necessary to transfer models to a different context. In this article, we show that this implies the samples used to build the model are often not fully representative for the situation where they need to be applied on, which leads to a “sample selection bias.” In this article, we enhance data‐driven damage models by applying methods, not previously applied to damage modeling, to correct for this bias before the machine learning (ML) models are trained. We demonstrate this with case studies on flooding in Europe, and typhoon wind damage in the Philippines. Two sample selection bias correction methods from the ML literature are applied and one of these methods is also adjusted to our problem. These three methods are combined with stochastic generation of synthetic damage data. We demonstrate that for both case studies, the sample selection bias correction techniques reduce model errors, especially for the mean bias error this reduction can be larger than 30%. The novel combination with stochastic data generation seems to enhance these techniques. This shows that sample selection bias correction methods are beneficial for damage model transfer.