视频聚合行为应如何规制 ——以界定信息网络传播权的涵盖范围为视角

视频聚合行为应否纳入到信息网络传播权的规制范围的问题近来在司法界以及理论界产生了重大分歧、争论激烈,这是信息化数字网络技术发展与传统著作权制度的又一次碰撞.在当前复杂的网络技术背景之下,作品的存储以及传播方式已经发生改变,著作权保护的核心正在从"复制权"向"传播权"转移.因此,很有必要重新审视我国的信息网络传播权的涵盖范围,打破传统有关"提供"行为的界定,建立广义的信息网络传播权概念,将视频聚合此类具有明显传播特征的行为纳入信息网络传播权的规制范围,从而实现在新传播技术背景之下各方利益的平衡.     

基于深度学习和股票论坛数据的股市波动率预测精度研究

本文利用深度学习和股吧发帖数增长率数据对沪深300指数波动率进行样本外预测,将预测结果与19种波动率预测模型作对比,并用MCS方法检验各模型的预测精度。研究发现:深度学习预测效果明显好于选取的其他对比模型。另外,股票论坛数据对提升波动率预测精度有所贡献,但贡献有限。本文为波动率预测提供了一种更精确和更稳健的实现方法,探索了股票论坛数据在波动率预测上的应用,并拓展了深度学习在金融领域的运用。     

企业知识基础、认知距离对二元式创新绩效的影响北大核心CSSCI

从知识基础的宽度和深度两个维度探讨了企业知识基础对二元式创新绩效的影响,并分析了知识认知距离对知识基础宽度与二元式创新的调节作用。以1989~2013年电子及通信设备制造业上市公司作为研究样本,研究发现:知识基础宽度与二元式创新绩效呈倒U型关系;知识基础深度对二元式创新绩效有倒U型影响;知识认知距离对知识基础宽度与利用式创新绩效起负向调节作用,对知识基础宽度与探索式创新绩效的调节效应不显著。     

以信息化智慧教室打造高技能人才

如今,实训教学中仍然存在先理论知识,再进行技能训练,理论与实践教学相脱节的问题,教学效果不显著,目标达成率低.本文主要阐述如何通过将信息技术与教育教学环境进行深度融合,构建一个完整的数字化学习空间.以八个合一为引领,创新教育理念和教学模式,提高人才培养质量.     

基于城市容量的农民工深度城市化探析

从城市容量角度关注农民工城市化的研究成果比较少见,本文从城市容量出发结合人口城市化的相关研究成果,提出城市容量是一个以人口负荷量为主体,包含自然容量、经济容量和社会容量的三维系统,并建构了人口城市化与城市容量之间交互作用的分析框架。认为,在现阶段,城市的自然容量和经济容量有助于人口城市化,而城市的社会容量则因无法满足农民工均等地享受公共服务而延缓着这一过程,也使农民工＂半城市化＂成为长期现象。因此,作出农民工城市化进程包括两个阶段、四种身份和八个特征的判断。在此基础上,认为,解决农民工＂半城市化＂的关键须从城市的社会容量着手,系统地考虑三维容量之间的相互嵌入和协调扩张,并提出农民工＂深度城市化＂的几点建议。     

地方本科高校新能源汽车专业育人模式的探索与改革——以九江学院为例

地方本科高校是我国新能源汽车专业人才培养的重要基地和教育的基础力量,但部分地方本科高校在新能源汽车专业人才培养过程中存在目标定位不清、与实践脱节、教师队伍建设落后等问题,严重制约了地方本科高校新能源汽车专业的发展。九江学院经过长期探索和实践,形成了“产学研赛创”的新型育人模式。该模式通过联合政府、学校、企业三方力量,构建了“政校企”三方协同育人新机制,为建立和完善地方本科高校育人机制进行了有益探索。     

地方应用型本科院校“融合式”创新创业教育面临的问题和对策研究——以广东海洋大学质性研究方法与应用课程为例

创新创业教育与专业教育的深度融合对解决地方高校发展转型的复杂问题具有重要意义。该文以广东海洋大学质性研究方法与应用课程为案例,探讨地方应用型本科院校实施“融合式”创新创业教育的现状、实践路径以及相应对策。通过对课程实施的观察、访谈和文献分析,发现该课程实施中存在的问题,并提出可行的解决方案,以促进地方应用型本科院校创新创业教育的发展。     

成渝经济一体化的新思路

以新型工业化为约束的区域经济一体化是西部深度开发的全新战略 当前,在金融危机影响日盛,全球需求加速回落之际,深度开发西部,已成为国民经济持续、快速、健康发展的迫切要求。近年来,随着我国东部劳动力成本、土地成本、原材料成本的日益上升,大量东部企业西移,外资西进,为西部深度开发提供了干载难逢的契机。     

注重从思想理论上建设学习型政党的浅谈

《中共中央关于加强党的建设几个重大问题的决定》中强调指出：“要继续把党的思想建设放在首位,推动全党对建设有中国特色社会主义理论的学习不断向广度和深度发展。”这次党的十七届四中全会审议通过的《中共中央关于加强和改进新形势下党的建设若干重大问题的决定》在总结我们党在长期执政实践中,     

基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。