对数学学法指导的研究

数学学法指导是数学教学理论研究和实践中的一个重要课题。结合教学实践，对数学学法指导的意义、指导的内容、指导的原则及指导的实施四个方面进行了探讨。     

全面提高农林院校硕士生计算机应用水平

随着我国改革开放步伐的加快、加入世贸组织日期的临近，高等农林院校硕士研究生的计算机教育将面临更大的挑战和机遇。如何抓住机遇，迎接挑战，全面提高农林院校硕士研究生计算机应用水平，是目前农林院校硕士生教育急需解决的问题之一。本在调查研究的基础上分析探讨了目前国内农林院校硕士研究生计算机教育存在的问题，并给出了几点改革建议。     

动机对外语学习的影响及相关的措施

研究表明动机是影响外语学习成功与否的一个重要因素。因此,英语教师应通过培养大学生学习兴趣,为大学生创造成功的机会,及时表扬,利用工具型动机,正确对待考试等措施激发大学生学习英语的动机,提高外语学习的成效。     

重铸:第二语言教学和学习中的有效反馈

该文阐明了重铸的概念、性质、在语言习得中的作用以及与之相关的理论研究背景,并从重铸与接纳的关系、学习者个人因素、语境、目标语的选择、不同类型的重铸等方面分析了重铸在第二语言学习中有效性的影响因素,最后探讨了重铸对我国二语教学和学习的启发和意义。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

专题学习网站建设初探

随着高校教育信息化步伐的逐步推进,专题学习网站的建设成为广大教育工作者探究的新热点,本文基于分析专题学习网站特性上.结合网站开发的实用技术,探讨如何开发高质量的专题学习网站.     

理工科大学生学习心理压力及影响研究

通过对503名在校大学生心理压力的问卷调查，比较了文理科学生不同的学习心理压力，重点分析了理工科学生的学习心理压力、影响、应对方式。笔者认为，由于学科特点，理工科学生在大学生活中面临的学习压力较大。必须把握理工科学生学习心理压力的特点及规律，适时有效地进行引导和教育。     

林业院校实践教学课程教师评学体系的探索研究

从构建合理的指标体系、健全组织体系、建立运行和反馈机制3个方面探索了如何构建实践教学的教师对学生评价体系。     

比较机器学习等算法对肉鸡产蛋性状育种值估计的准确性

我国白羽肉鸡育种中,通过遗传途径提高产蛋数和控制合适的蛋重是培育优良品系的一个重要方面。为探索适合我国白羽肉鸡育种中的基因组选择模型,本研究以2 474只白羽肉鸡品系的产蛋性状为研究对象,主要分析了机器学习算法KAML、BLUP(包括：PBLUP、GBLUP、SSGBLUP)和Bayes(包括：Bayes A、Bayes B和Bayes Cπ)方法对产蛋数和蛋重性状的预测准确性,准确性以5倍交叉验证进行评估。利用系谱以及基因组信息估计了产蛋数和蛋重性状的遗传力和遗传相关。结果表明,产蛋数性状遗传力为0.061~0.16,属于低遗传力性状;蛋重遗传力为0.28~0.39,属于中等遗传力性状;产蛋数与蛋重是中等遗传负相关(-0.518~-0.184),不同阶段产蛋数之间是强的遗传正相关(0.736~0.998)。不同模型预测43周产蛋数和52周蛋重的育种值估计准确性结果表明,KAML方法对两者的预测准确性分别为0.115和0.266,与GBLUP方法(准确性分别为0.118和0.283)和SSGBLUP方法(准确性分别为0.136和0.259)的准确性差异显著,同时显著低于Bayes方法(准确性分别为0.230~0.239、0.336~0.340)的预测准确性, PBLUP方法预测准确性最低(准确性分别为0.095和0.246)。因此,在白羽肉鸡产蛋数和蛋重性状中应用Bayes方法将获得最高的育种值估计准确性。     

基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习（machine learning,ML）算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树（Decision Tree,DT） C5.0、CHAID算法、人工神经网络（Artificial Neural Network,ANN）、随机森林（Random Forests,RF）、贝叶斯网络（Bayesian Networks,BN）和逻辑回归（Logistic Regression,LR）6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。