检索结果-维普期刊中文期刊服务平台

基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究被引量：16: 1; 作者周炫余刘林 +2 位作者陈圆圆洪嘉玲卢笑《电化教育研究》 CSSCI 北大核心 2021年第8期72-78,共7页; 快速准确地评估大学生心理健康状况是高校心理健康教育的重要任务,也是高校心理工作实现精准干预和提供个性化教育服务的基础。传统评估方法存在评估实时性不高、单一模态数据评估效果差、社会称许性反应偏误等问题。研究基于生态瞬时... 展开更多; 关键词心理健康教育自动评估多模态融合计算深度学习生态瞬时评估; 在线阅读下载PDF 职称材料

人工智能教育的含义界定与原理挖掘被引量：54: 2; 作者彭绍东《中国电化教育》 CSSCI 北大核心 2021年第6期49-59,共11页; 人工智能教育包括利用人工智能赋能的教育和以人工智能为学习内容的教育。前者又称为智能化教育。智能化教育是指基于智能感知、教学算法与数据决策等技术,利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析,实施... 展开更多; 关键词人工智能教育人工智能教育原理智慧教育定义挖掘赋能; 在线阅读下载PDF 职称材料

联合语义提示和记忆增强的弱监督跳绳视频异常检测方法被引量：1: 3; 作者周炫余吴莲华 +3 位作者郑勤华肖天星王紫璇张思敏《计算机工程》 CAS CSCD 北大核心 2024年第7期87-95,共9页; 面向全国的学生综合评价与发展平台采集了百万级学生跳绳运动数据用于中小学生身体素质测评,然而在采集的跳绳视频中存在着非跳绳视频、人物未全身出镜等不符合拍摄要求的各类异常视频,严重影响了后续学生身体素质测评模型的准确性和鲁... 展开更多; 关键词视频异常检测提示学习记忆网络弱监督学习身体素质测评; 在线阅读下载PDF 职称材料

基于深度强化学习的两阶段显著性目标检测被引量：19: 4; 作者卢笑曹意宏 +1 位作者周炫余王耀南《电子测量与仪器学报》 CSCD 北大核心 2021年第6期34-42,共9页; 为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法。该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation net... 展开更多; 关键词显著性目标检测深度强化学习马尔科夫决策过程卷积神经网络; 在线阅读下载PDF 职称材料

题名基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究被引量：16: 1; 作者周炫余刘林陈圆圆洪嘉玲卢笑; 机构湖南师范大学基础教育大数据研究与应用重点实验室湖南师范大学工程与设计学院; 出处《电化教育研究》 CSSCI 北大核心 2021年第8期72-78,共7页; 基金 2020年湖南省研究生教育改革项目“大数据下基于深度学习的研究生心理健康评估模型建构研究”(项目编号:2020JGYB079) 2019年大学生创新创业训练项目“基于语言和图像信息多模态融合计算的大学生心理健康自动评估方法研究”(项目编号:S201910542075)。; 文摘快速准确地评估大学生心理健康状况是高校心理健康教育的重要任务,也是高校心理工作实现精准干预和提供个性化教育服务的基础。传统评估方法存在评估实时性不高、单一模态数据评估效果差、社会称许性反应偏误等问题。研究基于生态瞬时评估理论,以深度学习算法为手段,提出了一种基于多模态数据融合计算的大学生心理健康自动评估方法。该方法在自构建的多模态心理评估数据集(JA-IPAD)上测试表明:该模型能够精准评估大学生的心理健康状态,在智慧学习环境中具有良好的应用前景,能为完善学生心理档案、精准干预学生心理、优化心理健康服务提供决策依据和技术支撑,也能为促进高校智慧化心理健康教育作出贡献。; 关键词心理健康教育自动评估多模态融合计算深度学习生态瞬时评估; Keywords Mental Health Education Automatic Assessment Multimodal Fusion Computing Deep Learning Ecological Transient Assessment; 分类号 G434 [文化科学—教育技术学]; 在线阅读下载PDF 职称材料

题名人工智能教育的含义界定与原理挖掘被引量：54: 2; 作者彭绍东; 机构湖南师范大学教育科学学院湖南师范大学基础教育大数据研究与应用重点实验室; 出处《中国电化教育》 CSSCI 北大核心 2021年第6期49-59,共11页; 基金湖南省社会科学成果评审委员会重点课题“网络空间共同体协同创新机制研究”(课题编号:XSPCX007)阶段性研究成果。; 文摘人工智能教育包括利用人工智能赋能的教育和以人工智能为学习内容的教育。前者又称为智能化教育。智能化教育是指基于智能感知、教学算法与数据决策等技术,利用智能工具对学习者、教师、教学内容、教学媒体及教育环境进行自动分析,实施精准干预,支持个性化学习与规模化教学,形成教育的智能生态,培养学习者智能素养和实现教育高绩效的理论与实践。人工智能教育原理是指人工智能教育中具有普遍意义的内在的基本规律。基于理论推演与实践探讨,挖掘出人工智能教育的17条原理。其中,教育层面的原理有8条,教学层面的原理有5条,要素运行层面的原理有4条。该文界定了人工智能教育的含义,分析了原理纲要,对于促进人工智能教育事业发展和建立人工智能教育原理学科知识体系具有积极作用。; 关键词人工智能教育人工智能教育原理智慧教育定义挖掘赋能; Keywords Artificial Intelligence Education the principle of Artificial Intelligence Education wisdom education discipline course empowerment; 分类号 G434 [文化科学—教育技术学]; 在线阅读下载PDF 职称材料

题名联合语义提示和记忆增强的弱监督跳绳视频异常检测方法被引量：1: 3; 作者周炫余吴莲华郑勤华肖天星王紫璇张思敏; 机构湖南师范大学基础教育大数据研究与应用重点实验室北京师范大学远程教育中心; 出处《计算机工程》 CAS CSCD 北大核心 2024年第7期87-95,共9页; 基金国家重点研发计划(2021YFC3340800) 国家自然科学基金(62007007,61703155) 湖南省自然科学基金(2023JJ30415,2022JJ30395)。; 文摘面向全国的学生综合评价与发展平台采集了百万级学生跳绳运动数据用于中小学生身体素质测评,然而在采集的跳绳视频中存在着非跳绳视频、人物未全身出镜等不符合拍摄要求的各类异常视频,严重影响了后续学生身体素质测评模型的准确性和鲁棒性。针对上述问题,提出一种联合语义提示和记忆增强的弱监督跳绳视频异常检测方法。该方法首先提取正常跳绳视频和异常跳绳视频的视觉特征,将正常特征和异常特征成对训练,增强模型对异常视频特征的感知能力;其次设计两个自监督记忆网络分别存储和分离正常视频和异常视频的特征,进一步增强模型的特征表达能力;最后引入提示学习方法迁移大规模预训练模型中的多种跳绳异常类型的语义先验知识,增强模型在样本不足的情况下对多种异常类型语义信息的理解。实验结果表明,该方法在自建的跳绳异常检测数据集(SRAD)上的AUC为94.14%,相较于基准方法提升了2.71个百分点,具有较高的准确性。该方法对实现身体素质的智能测评、推动教育评价改革具有重要意义。; 关键词视频异常检测提示学习记忆网络弱监督学习身体素质测评; Keywords video anomaly detection prompt learning memory network weakly supervised learning physical fitness assessment; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度强化学习的两阶段显著性目标检测被引量：19: 4; 作者卢笑曹意宏周炫余王耀南; 机构湖南师范大学工程与设计学院湖南师范大学基础教育大数据研究与应用重点实验室湖南大学机器人视觉感知与控制技术国家工程实验室; 出处《电子测量与仪器学报》 CSCD 北大核心 2021年第6期34-42,共9页; 基金国家自然科学基金(62007007,61703155) 湖南省自然科学基金(2018JJ3350,2018JJ3352)项目资助。; 文摘为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法。该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分别对应显著性区域定位阶段和显著性目标分割阶段。在显著性区域定位阶段,首次提出采用深度强化学习训练智能体通过执行序列动作逐步定位显著性区域。再将其交由分割网络进行第二阶段的精细目标分割。网络结构上,SRLN和SOSN采用共享特征提取网络的方式简化模型和减少参数量,同时针对该两阶段检测框架提出了一种分治的训练策略。在公开的显著性目标检测数据集上的实验结果表明,无论是简单或复杂场景的图像,该算法能够快速有效的剔除干扰信息,获得准确的显著性目标检测结果,并且检测速度达到了实时性能。在行人检测数据集上的检测结果表明本算法在其他实际应用问题上也具有较强的泛化能力。; 关键词显著性目标检测深度强化学习马尔科夫决策过程卷积神经网络; Keywords salient object detection deep reinforcement learning(DRL) Markov decision process convolutional neural network; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究	周炫余刘林陈圆圆洪嘉玲卢笑	《电化教育研究》 CSSCI 北大核心	2021	16	在线阅读下载PDF 职称材料
2	人工智能教育的含义界定与原理挖掘	彭绍东	《中国电化教育》 CSSCI 北大核心	2021	54	在线阅读下载PDF 职称材料
3	联合语义提示和记忆增强的弱监督跳绳视频异常检测方法	周炫余吴莲华郑勤华肖天星王紫璇张思敏	《计算机工程》 CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	基于深度强化学习的两阶段显著性目标检测	卢笑曹意宏周炫余王耀南	《电子测量与仪器学报》 CSCD 北大核心	2021	19	在线阅读下载PDF 职称材料