活动单导学计算机课,活动单导学 自主式研学

[摘 要]学业水平测试重视基本知识、基本技能的考查,课堂复习效率至关重要。实施“活动单导学,自主式研学”是高中历史学科“小高考复习”课堂构建的基本模式,其课堂气氛活跃,学生获取知识技能综合性强。本文围绕历史复习课中“活动单的制作和自主课堂的基本路径”两个方面进行探究,试图探索出一条高中历史复习课课堂教学的新途径,实现新课程课堂教学中学生全面发展的目标。

[关键词]小高考 活动单 自主复习 课堂模式

[中图分类号] G633.51 [文献标识码] A [文章编号] 16746058(2015)160115

学业水平测试俗称“小高考”,其定位是“过关性”考试,它与高考选拔性的考试功能明显不同,“小高考”的基础性特点决定了其课堂教学模式,必须区别于高考课堂教学模式,笔者多年进行探索,力求“用最简单的方法,做最高效的应对”,在“小高考”历史复习课课堂模式上,形成了以活动单为载体、“自主学习―题型训练―成果展示―合作探究―自我完善―点评提升”为基本活动流程的课堂模式。

一、活动单的课前精心设计是打造高效课堂的前提

要实现有效教学,最佳的途径就是根据最新版本的《学业水平测试考试说明》“重编”教材,形成活动单,这样可以大大减少学生看书的无针对性低效行为和课堂只注重做课堂笔记不注重思考、理解的行为。这种对教材的“二次编写”,针对性强,重难点突出,学生学习有的放矢、效率高。活动单的内容由知识单和习题单两部分组成,制作过程中要注意以下几点。

1.知识单需一目了然。知识单以课时为单位,一般以表格形式呈现,左格为最新版本的《学业水平测试考试说明》考点,右格为对应考点的知识解读,其中考点知识解读要精准,排版要精美,不给学生带来读记障碍。知识解读中“近三年已考过知识”需用另外的字体、字号

等形式区别于“未考知识”,让学生对考点“已考知识、未考知识”有所了解,便于选择性复习。(如下图)

2.“习题单”需针对性强。习题的选择针对本节课的考点,力求考点“习题化、全覆盖、情境新颖”。习题单的设计很关键,它能给知识赋予生命力,唤起学生的学习激情,激发学生的学习兴趣。历史“小高考”的题型主要是选择题,因此选择题为课堂主要训练题型,但不能成为唯一训练题型。要根据复习知识块在《考试说明》中的地位,适当兼顾其他题型,确保“小高考”全部题型均得到训练。每一类题型要用方框的形式凸显做题要求;大题每个小设问后面必须要有分值,便于模拟实战,让学生训练后心中有数。(如下图)

3.页眉页码需编流水号。为了便于学生整理和今后复习,每张活动单的页眉必须有“流水号”,一单一个编号,前后编号要连续。每张活动单的页脚必须有页码,可一个个活动单单独编页码,也可前后页码连续编写。作为历史学科组,一般安排熟悉电脑排版的教师在同一模板下合成、编排所有活动单,有利于活动单的字体、字号、编号、页码、排版格式前后一致。

二、以自主学习活动为支点是有效课堂的基本路径

“小高考”的应对策略是狠抓基础知识,狠抓应试训练,狠抓薄弱弥补,要达成这些目标,自主学习是“小高考”历史复习课的基本模式,它是在活动单的指导下,对照活动单进行自学,其基本流程包括以下几点。

1.自主复习。历史课前3分钟为知识复习环节,学生自觉对上一课的知识进行复习,进入状态,完成“承上启下”。

2.自主识记。教师发放本课活动单,明确本课复习目标,学生围绕活动单中的“知识单”内容,读记本课考点知识。教师关注冲A保C学生的读书状况,及时提醒和帮助。(注:冲A学生是指在省级学业水平测试中期望拿到90分以上即A级的学生。保C学生指期望在上述测试中拿到60分以上即C级的学生)

3.自主训练。学生完成“习题单”前,教师提出明确分类目标要求,限时训练,学生独立完成。

4.展示成果。有针对性地挑选学生到黑板上进行板展训练,与其他学生的“自主训练”同步进行。

5.自我完善。学生对照板展答案自查自纠。纠错要找到错根,要把错题价值放大,是“知识类” 的错误要回归“知识单”进行标注,做上记号,便于今后有针对性地强化复习;“能力类”的错误要在错题处认真订正,必须做到“做题不轻易出错,有错必深究,决不第二次做错”。

6.合作探究。在充分自主学习的基础上,对自己无法独立突破的困难,通过学习小组互补互助,组内互相交流学习成果来弄懂,也就是“兵教兵”。合作探究让学生的学习更主动、更积极也更高效。教师在合作探究阶段的主要任务是巡回、观察、倾听,了解各组合作探究的情况,收集突出问题。

7.点评提升。这个环节是历史复习课最体现教师“点睛导学”的阶段。首先教师对在黑板上板展的学生进行点评。对板展学生的做题质量进行“正向打分”,对得分、答题规范性等给予鼓励性评价和建设性建议,营造和谐的课堂气氛,这不仅让板展学生受益,并且能以点带面放大示范辐射效应。其次对题目中体现的重点、难点、易错点、易混点,学生能力、认知无法达到的层级,教师要深入浅出地进行引领,提炼解题思路和规律、方法、技巧,带领学生既见树木又见森林,完善整个教学过程。

以活动单为载体、自主学习为手段的高中历史“小高考”课堂复习模式,注重教师的课前研究和活动单的精心设计,注重学生课堂对过程的主体性体验,面向全体学生,“最大限度把时间和学习主动权给学生”。复习的实质是学生主动学、主动做、主动悟、主动纠、主动补,能极大调动学生学习积极性,取得很好效果。

实践证明:“学生一旦不依赖老师时,他的内心才会出现一个强大的自我,变得更自信。越自信,越强大;越强大,越爱学;越爱学,越会学,逐渐形成良性循环,焕发出极大的潜能。”

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值