目的通过评估联合应用翻转课堂、案例教学和角色扮演的多维教学模式在“全球卫生与健康治理”课程中的应用效果,助力中国全球卫生人才的培养。方法研究以某高校2024年秋季选修“全球卫生与健康治理”课程的21名学生为干预对象。在6次教...目的通过评估联合应用翻转课堂、案例教学和角色扮演的多维教学模式在“全球卫生与健康治理”课程中的应用效果,助力中国全球卫生人才的培养。方法研究以某高校2024年秋季选修“全球卫生与健康治理”课程的21名学生为干预对象。在6次教学后,采用前后测对比与量表测评结合的方法,从知识掌握、学业自我效能感、问题解决能力及批判性思维能力四个方面进行教学效果评估。数据分析工作使用R 4.4.2软件进行,符合正态分布的数据采用学生t检验(student’s t test)或方差分析(analysis of variance,ANOVA),否则采用Wilcoxon秩和检验或Kruskal-Wallis检验。结果多维教学模式显著提升了学生的知识掌握水平(P=0.013),尤其在23岁~27岁、女性、硕士研究生及公共卫生学院学生中效果更为突出(P<0.05)。研究对象的学业自我效能感总分达(92.76±8.32)分,学业能力效能感显著高于学习行为效能感(P=0.001);问题解决能力总分达(73.48±8.23)分,各维度表现均衡(P=0.505)。批判性思维能力总分达(323.38±30.16)分,其中,“求知欲”维度得分最高,“寻找真相”维度相对薄弱,且存在年级与学院间差异(P<0.05)。结论多维教学模式通过融合自主学习、情境实践与角色互动,有效促进学生全面发展,但需关注个体差异对教学效果的影响。未来建议扩大样本量、追踪长期效果,并优化教学策略以适配不同学习需求,为全球卫生教育体系改革提供理论与实践支持。展开更多
随着食品安全法规的不断发展,紧跟时事,及时了解条款修订情况对企业确保遵守并降低潜在的风险至关重要。利用计算机技术有助于自动识别监管变更,精简监察流程并能够及时地响应。该研究旨在探讨机器学习算法在食品安全风险管理中的应用...随着食品安全法规的不断发展,紧跟时事,及时了解条款修订情况对企业确保遵守并降低潜在的风险至关重要。利用计算机技术有助于自动识别监管变更,精简监察流程并能够及时地响应。该研究旨在探讨机器学习算法在食品安全风险管理中的应用。研究提出了一个提高合规风险管理效率和有效性的框架,基于Transformer的双向编码器表示(bidirectional encoder representations from transformers,BERT)——一个预训练的自然语言处理模型,以典型的监督学习模型为基线,被用来识别与特定食品类别潜在食品安全风险相关的新闻信息变化情况。新闻报道中的组织、食物、风险、法规等关键实体被BERT模型自动提取。以酒精饮料为例,结合领域专家提供的标注数据,研究得到了一个微调的(有提高的)BERT模型,该模型可以自动检测与酒精饮料和与之相关的关键实体相关的潜在监管变化。结果表明,相关性预测的F1分值为0.88,实体识别的F1分值为0.60。所提出的方法有可能显著减少手工工作,提高检测监管变化的准确性,最终强化食品企业的合规策略。展开更多
文摘目的通过评估联合应用翻转课堂、案例教学和角色扮演的多维教学模式在“全球卫生与健康治理”课程中的应用效果,助力中国全球卫生人才的培养。方法研究以某高校2024年秋季选修“全球卫生与健康治理”课程的21名学生为干预对象。在6次教学后,采用前后测对比与量表测评结合的方法,从知识掌握、学业自我效能感、问题解决能力及批判性思维能力四个方面进行教学效果评估。数据分析工作使用R 4.4.2软件进行,符合正态分布的数据采用学生t检验(student’s t test)或方差分析(analysis of variance,ANOVA),否则采用Wilcoxon秩和检验或Kruskal-Wallis检验。结果多维教学模式显著提升了学生的知识掌握水平(P=0.013),尤其在23岁~27岁、女性、硕士研究生及公共卫生学院学生中效果更为突出(P<0.05)。研究对象的学业自我效能感总分达(92.76±8.32)分,学业能力效能感显著高于学习行为效能感(P=0.001);问题解决能力总分达(73.48±8.23)分,各维度表现均衡(P=0.505)。批判性思维能力总分达(323.38±30.16)分,其中,“求知欲”维度得分最高,“寻找真相”维度相对薄弱,且存在年级与学院间差异(P<0.05)。结论多维教学模式通过融合自主学习、情境实践与角色互动,有效促进学生全面发展,但需关注个体差异对教学效果的影响。未来建议扩大样本量、追踪长期效果,并优化教学策略以适配不同学习需求,为全球卫生教育体系改革提供理论与实践支持。
文摘随着食品安全法规的不断发展,紧跟时事,及时了解条款修订情况对企业确保遵守并降低潜在的风险至关重要。利用计算机技术有助于自动识别监管变更,精简监察流程并能够及时地响应。该研究旨在探讨机器学习算法在食品安全风险管理中的应用。研究提出了一个提高合规风险管理效率和有效性的框架,基于Transformer的双向编码器表示(bidirectional encoder representations from transformers,BERT)——一个预训练的自然语言处理模型,以典型的监督学习模型为基线,被用来识别与特定食品类别潜在食品安全风险相关的新闻信息变化情况。新闻报道中的组织、食物、风险、法规等关键实体被BERT模型自动提取。以酒精饮料为例,结合领域专家提供的标注数据,研究得到了一个微调的(有提高的)BERT模型,该模型可以自动检测与酒精饮料和与之相关的关键实体相关的潜在监管变化。结果表明,相关性预测的F1分值为0.88,实体识别的F1分值为0.60。所提出的方法有可能显著减少手工工作,提高检测监管变化的准确性,最终强化食品企业的合规策略。
