[目的]针对《生物统计与试验设计》课程中数据处理复杂、学生参与度低等问题,开发一款轻量化教学工具,探索数字化教学改革的有效路径。[方法]基于Uniapp跨平台框架,结合豆包人工智能辅助开发技术,构建集成生物统计计算、试验设计模拟及...[目的]针对《生物统计与试验设计》课程中数据处理复杂、学生参与度低等问题,开发一款轻量化教学工具,探索数字化教学改革的有效路径。[方法]基于Uniapp跨平台框架,结合豆包人工智能辅助开发技术,构建集成生物统计计算、试验设计模拟及案例实操功能的微信小程序,在实验班(医动2211,n=23)与对照班(医动2212,n=26)开展对比教学实验,评估小程序的应用效果。[结果]教学实践数据显示:实验组学生完成数据处理任务的平均耗时较对照组缩短43.75%(45 min vs.80 min),课堂主动提问频次提升149%(2.64次/课vs.1.06次/课),理论知识考核成绩提高21.4%(85分vs.70分),实践操作成绩提升33.3%(40分vs.30分),差异均具有统计学意义(P<0.05);问卷调查表明,实验组学生课堂参与积极性达70%,显著高于对照组的35%。[结论]基于Uniapp和豆包AI的轻量化开发的微信小程序,显著提升了学生的理论理解深度与实践能力,为职业院校专业课程的数字化转型提供了可复制的解决方案。未来可进一步优化小程序功能,深化工具与教学场景的融合。展开更多
变异函数量化了空间2点地质属性的变异性,对地质统计分析至关重要。当地质数据随空间坐标呈现趋势变化时,正确选择和估计变异函数十分困难。为实现变异函数的模型选择和参数估计,提出了基于贝叶斯理论的变异函数选择方法,采用拉普拉斯...变异函数量化了空间2点地质属性的变异性,对地质统计分析至关重要。当地质数据随空间坐标呈现趋势变化时,正确选择和估计变异函数十分困难。为实现变异函数的模型选择和参数估计,提出了基于贝叶斯理论的变异函数选择方法,采用拉普拉斯近似方法将后验概率分布近似为高斯分布。首先计算出参数的后验概率分布,随后分别计算每个备选变异函数的贝叶斯模型证据,以确定最优模型。探讨了3种模型选择方法在变异函数选择中的适用性,包括贝叶斯模型证据(BME)、Akaike information criterion(AIC)识别准则和Bayesian information criterion(BIC)识别准则。通过实测静力触探试验的锥端阻力数据,说明了该方法,并从模型拟合度和复杂度罚值2个方面比较3种方法在变异函数模型选择中的差异性。研究表明,给定试验数据条件下,BME能够合理地考虑变异函数的拟合度和复杂性;而AIC和BIC识别准则在模型参数个数相同时,仅能反映不同变异函数的拟合度差异,因此,在这种情况下推荐采用BME选择变异函数。本研究方法能够在考虑趋势项参数条件下合理地选择地质统计学变异函数,所选最优变异函数与试验变异函数较一致,为地质统计学分析提供了有效的参考。展开更多
文摘[目的]针对《生物统计与试验设计》课程中数据处理复杂、学生参与度低等问题,开发一款轻量化教学工具,探索数字化教学改革的有效路径。[方法]基于Uniapp跨平台框架,结合豆包人工智能辅助开发技术,构建集成生物统计计算、试验设计模拟及案例实操功能的微信小程序,在实验班(医动2211,n=23)与对照班(医动2212,n=26)开展对比教学实验,评估小程序的应用效果。[结果]教学实践数据显示:实验组学生完成数据处理任务的平均耗时较对照组缩短43.75%(45 min vs.80 min),课堂主动提问频次提升149%(2.64次/课vs.1.06次/课),理论知识考核成绩提高21.4%(85分vs.70分),实践操作成绩提升33.3%(40分vs.30分),差异均具有统计学意义(P<0.05);问卷调查表明,实验组学生课堂参与积极性达70%,显著高于对照组的35%。[结论]基于Uniapp和豆包AI的轻量化开发的微信小程序,显著提升了学生的理论理解深度与实践能力,为职业院校专业课程的数字化转型提供了可复制的解决方案。未来可进一步优化小程序功能,深化工具与教学场景的融合。
文摘变异函数量化了空间2点地质属性的变异性,对地质统计分析至关重要。当地质数据随空间坐标呈现趋势变化时,正确选择和估计变异函数十分困难。为实现变异函数的模型选择和参数估计,提出了基于贝叶斯理论的变异函数选择方法,采用拉普拉斯近似方法将后验概率分布近似为高斯分布。首先计算出参数的后验概率分布,随后分别计算每个备选变异函数的贝叶斯模型证据,以确定最优模型。探讨了3种模型选择方法在变异函数选择中的适用性,包括贝叶斯模型证据(BME)、Akaike information criterion(AIC)识别准则和Bayesian information criterion(BIC)识别准则。通过实测静力触探试验的锥端阻力数据,说明了该方法,并从模型拟合度和复杂度罚值2个方面比较3种方法在变异函数模型选择中的差异性。研究表明,给定试验数据条件下,BME能够合理地考虑变异函数的拟合度和复杂性;而AIC和BIC识别准则在模型参数个数相同时,仅能反映不同变异函数的拟合度差异,因此,在这种情况下推荐采用BME选择变异函数。本研究方法能够在考虑趋势项参数条件下合理地选择地质统计学变异函数,所选最优变异函数与试验变异函数较一致,为地质统计学分析提供了有效的参考。
