高职学生网上评教数据的修正与优化处理研究

针对高职学生网上评教存在的问题,采用评教验证机制设置不合理评教的限制。对学生评教数据先剔除异常值,再分别对不同班级、不同课程和不同院系之间的学生评教数据进行修正与优化处理,得出最终的修正分值,降低了因班级、课程和院系的不同而导致的评教数据的差异性,使学生的网上评教能更准确有效的反应出教师的教学水平。     

基于新型工业化道路的高等教育创新

新型工业化道路是全面总结国内外工业化的经验教训,体现时代特点,根据我国国情而提出来的重大决策。走新型工业化道路,必须大力实施科教兴国战略和可持续发展战略,充分发挥高等教育在经济发展和社会进步中的全局性、先导性作用。高等教育必须进行创新,促进自身优先发展,才能更好地发挥为经济建设服务的作用。     

反馈型振荡器起振条件的新研究

阐述了目前被广泛应用的对于反馈型振荡器的分析方法在描述起振条件和稳定条件时存在严重的逻辑缺陷。提出了一种普适的起振条件判据,推导出两组具体而又具有实际指导意义的起振条件判据,阐明了不存在“频率稳定条件”的理由。     

帮助信息网络犯罪活动罪的"口袋化"纠偏

帮助信息网络犯罪活动罪之所以独立成罪,是因为旨在有效抑制日益严重的网络犯罪,而将具有类型性地侵害法益抽象危险性的网络犯罪帮助行为,配置独立的构成要件与法定刑,以摆脱对下游犯罪成罪与否（如罪量）及刑罚轻重的依赖。但立法定位不准、行为类型认定混乱、界限竞合处理随意及中立帮助行为认定不清,造成该罪的“口袋化”。实际上,争论该罪是“帮助行为正犯化”还是“帮助犯的量刑规则”,并无实际意义;该罪也并非所谓中立帮助行为的正犯化;企图从是否存在“通谋”“充分的意思联络”、是否专门为他人“量身定制”、是否情节严重等方面区分该罪与诈骗等罪的共犯,有违共犯原理、责任主义及罪刑均衡原则,而不可取。只要客观上与他人实施的网络犯罪行为及其结果之间具有因果性,主观上对此存在认识,而且行为本身违反相关禁止性规定,原则上都不能否认诈骗等罪共犯的成立。     

论现代科学视域下工程哲学发展的新思路

量子理论的测不准原理,将观察者与被观测对象合为一个整体的思路无疑应对工程有相当重要的启迪。对于工程而言,科与玄再不必睚眦论战,科学将与人生观及其衍生价值观一起,成为工程的指导原则,科学与人文在工程哲学层面上可以交汇统一而不必保持对立。而代表着对工程前瞻式的指引后顾式的反思的工程哲学,亦将不只是研究人工物,也将研究人。     

现代性时间问题初探

通过对现代、现代性概念的词源考察,分析了蕴含在其中的时间意识.在对启蒙现代性、审美现代性的产生及类型的考察的基础上,分析了存在于两者之间与生俱来的悖论,指出产生这种悖论的深层原因,并分析了一些现代、后现代之间存在的时间概念.     

分立运行还是有序互动?——试论中国商品房与保障房关系的政策取向

基于住房市场多方博弈的视角,讨论了中国商品房与保障房的互动关系及内在机理。研究结果表明:在不同住房市场状况下各利益主体存在不同的博弈均衡;商品房与保障房之间存在"价格引致"、"存量过滤"等互动关系;遵循住房过滤规律,建立互动机制比分立运行下的住房市场更加有效。住房市场的稳定发展需要商品房与保障房形成有机互动,住房政策应遵循住房过滤过程,建立存量商品房与保障房互动机制,推进住房保障共有产权制度建设、促进住房市场良性运作,提高住房保障绩效。     

园林树木学课程教学改革探索

园林树木学是培养学生进行热爱自然,热爱生活,发现美,创造美的专业课程.在教学过程中,应科学地安排教学内容,优化学生知识结构,尝试新的教学方式与手段,以"研究性与引导式学习"为导向,学习建构主义教学模式来开展教学活动,使之成为学生主题研究、开放性研究活动的一个新空间.通过第一课堂与第二课堂教学结合,指导学生进行"校园植物挂牌"等实践活动,在探究有关园林树木的知识的过程中,培养学生的观察能力、实践能力、合作与创新能力.     

信息时代图书馆的边缘化走势及RSS应用探索

"Goodle"现象是网络时代图书馆边缘化趋势最突出的表象,针对这一趋势形成的原因,可以应用RSS推送技术,通过支持标准的RSS feed(RSS信息源)格式实现信息内容的聚合和订阅,从而强化图书馆在信息时代的新职能,即通过技术革新来改变图书馆边缘化趋势.     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。