一种基于“是一个”模式的下位概念获取方法

2下位概念是按树形展开法得到的概念。

√3目前数据库已具备智能思考能力，故在检索时无需人工扩展概念。

×4课题“高速数据传输网的研究”中“研究”一词属于辅助概念。

√5目前数据库已具备了智能思考的的能力，故在检索时无需人工扩展概念。

×6将“红外线”扩展成“远红外线”和“近红外线”运用了上下位概念扩展法。

√7将“酒精”扩展成“乙醇”，运用了上下位概念扩展法×8利用基于内容分析的上位概念扩展方法，可将“专利”概念扩展成“知识产权”。

√9辅助概念是指一些没有专业意义的概念。

√10通过课题名称分析提取出的主要概念一般是叙词。

×11隐含概念扩展法属于同一概念的检索词的扩展。

×12隐含概念扩展法属于基于内容分析的概念的扩展。

√13表示其前后连接的检索词必须同时出现在检索结果中的逻辑运算符是（逻辑与）14表示其前后连接的检索词至少其中之一出现在检索结果中的逻辑运算符是(逻辑或)15 hypertensi*的意思是（检索含字符hypertensi的文献）16如果希望在搜索引擎（如google）中使用短语检索方式检索computer network，检索式为（“computer network” ）17使用数据库检索，结果S1 为310篇，S2为115篇，S1*S2为50篇，那么，S2-S1的篇数为：（65 ）18 “硝普钠限定在2001年”，该题的检索式为（硝普钠AND PY=2001 ）19 “心绞痛–心肌梗死”这个检索式的含义是（检索心绞痛的文献并排除心肌梗死的文献）20 A N4 B表示A、B之间允许插入（4个）其他单词。

21 AND、With、Near三者的范围大小是（AND > Near > With）。

22关于优先级顺序，下列正确的是（（）>NOT > AND > OR）。

23检索wom?n的意思是（检索含字符womn的文献）。

三种常用的教学模式是什么（一）传递──接受式该教学模式源于赫尔巴特的四段教学法，后来由前苏联凯洛夫等人进行改造传入我国。

在我国广为流行，很多教师在教学中自觉不自觉地都用这种方法教学。

该模式以传授系统知识、培养基本技能为目标。

其着眼点在于充分挖掘人的记忆力、推理能力与间接经验在掌握知识方面的作用，使学生比较快速有效地掌握更多的信息量。

该模式强调教师的指导作用，认为知识是教师到学生的一种单向传递的作用，非常注重教师的权威性。

（二）自学──辅导式自学辅导式的教学模式是在教师的指导下自己独立进行学习的模式。

这种教学模式能够培养学生的独立思考能力，在教学实践中也有很多教师在运用它。

（三）探究式教学探究式教学以问题解决为中心的，注重学生的独立活动，着眼于学生的思维能力的培养。

1．理论基础依据皮亚杰和布鲁纳的建构主义的理论，注重学生的前认知，注重体验式教学，培养学生的探究和思维能力。

2．基本程序教学的基本程序是：问题—假设—推理—验证──总结提高。

首先创设一定的问题情境提出问题，然后组织学生对问题进行猜想和做假设性的解释，再设计实验进行验证，最后总结规律。

3．教学原则建立一个民主宽容的教学环境，充分发挥学生的思维能力，教师要掌握学生的前认知特点实施一定的教学策略。

4．辅助系统需要一定的供学生探究学习的设备和相关资料。

5．教学效果优点：能够培养学创新能力和思维能力，能够培养学生的民主与合作的精神，能够培养学生自主学习的能力。

缺点：一般只能在小班进行，需要较好的教学支持系统，教学需要的时间比较长。

6．实施建议在探究性教学中教师一定要尊重学生的主体性，创设一个宽容民主平等的教学环境，教师要对那些打破常规的学生予以一定的鼓励，不要轻易地对学生说对或错，教师要以引导为主切不可轻易告知学生探究的结果。

（四）概念获得模式该模式的目标是使学习者通过体验所学概念的形成过程来培养他们的思维能力。

该模式主要反映了认知心理学的观点，强调学习是认知结构的组织与重组的观点。

上位、下位和并列组合学习根据将要学习的新内容与学习者已经知道的相关内容之间的关系，奥苏伯尔把学习分为下位学习、上位学习和并列结合学习三类：(1)下位学习(新学习的知识抽象概括程度低于原有知识)下位学习又称类属学习，是一种把新的观念归属于认知结构中原有观念的某一部位，并使之相互联系的过程。

下位学习包括两种形式：派生类属学习和相关类属学习。

前者指新观念是认知结构中原有观念的特例或例证，新知识只是旧知识的派生物。

(新学习的知识内容完全被包含于原有的知识内容结构当中)通过派生类属，不仅可使新概念或命题获得意义，而且可使原有概念或命题得到充实或证实。

例如，如果学生已有了“哺乳动物”的观念，现在来学习“鲸”这种动物，就可通过派生类属学习来进行。

当新学习的知识从属于原有认知结构中的某一观念，但并非完全包含于原有观念之中，并且也不能完全由原有观念所代表，二者仅是一种相互关联的从属关系时，便产生相关类属学习。

(新学习的知识部分从属于原有认知观念)此时，新知识需对原有的认知结构作部分调整或重新组合，是原有观念的扩充、深化、限定或精确化的产物。

例如，学生原来知道挂国旗是一种爱国行为，现在保护能源是一种爱国行为。

(2)上位学习(新学习的知识抽象概括程度高于原有知识)上位学习也叫总括学习，即通过综合归纳获得意义的学习。

当认知结构中已经形成某些概括程度较低的观念，在这些原有观念的基础上学习一个概括和包容程度更高的概念或命题时，便产生上位学习。

例如，在学过正方体、长方体、拦河坝等形体的体积计算公式后，学习一般柱体的体积计算公式，就属于上位学习。

(3)并列结合学习并列结合学习是在新知识与认知结构中的原有观念既非类属关系又非总括关系时产生的。

例如，学习质量与能量、热与体积、遗传结构与变异、需求与价格等概念之间的关系就属于并列结合学习。

一般而言，并列结合学习比较困难，必须认真比较新旧知识的联系与区别才能掌握。

【考题再现】【判断说理题】1.下位学习可以分为两种形式：其中一种是相关类属，即新学习内容仅仅是学生已有的、包容面较广的命题的一个例证，或是能从已有命题中直接派生出来的。

概念抽取的方法概念抽取是一种从文本中识别和提取出概念或实体的过程。

它是自然语言处理（NLP）和信息抽取领域的重要任务之一。

概念抽取可以有助于自动化信息处理和知识管理，提取文本中的重要信息并帮助人们更好地理解文本内容。

下面将介绍几种常用的概念抽取方法。

1. 基于规则的方法：基于规则的方法是一种经典的概念抽取方法。

它通过设计一系列的规则来匹配和提取文本中的概念。

规则可以使用正则表达式、关键词匹配等技术来指定匹配模式。

例如，对于提取人物名字的任务，可以设计规则如“姓+名”的模式来匹配并抽取出符合该模式的文本片段。

这种方法的优点是简洁、易于理解和实现，但是需要依赖人工的规则设计，对于不同领域、不同语种的文本可能需要重新设计规则。

2. 基于统计的方法：基于统计的方法是一种通过对大量文本数据进行统计分析来进行概念抽取的方法。

它常用的技术包括词频统计、关联性分析、主题模型等。

例如，可以通过统计某个词语在一篇文档中出现的频率来判断它的重要性，进而将频率较高的词语作为概念进行抽取。

主题模型能够将文本数据聚类成不同的主题，从而提取出概念。

这种方法的优点是可以自动从大量文本数据中学习并推断出概念，但是对于数据量较小的情况下可能效果不理想。

3. 基于机器学习的方法：基于机器学习的方法是一种将概念抽取问题视为分类或序列标注任务，并使用机器学习算法来训练模型进行抽取的方法。

常见的机器学习算法包括支持向量机（SVM）、隐马尔可夫模型（HMM）、条件随机场（CRF）等。

这种方法需要提前准备好带有标注的训练样本，并通过训练模型来建立概念抽取的模型。

优点是能够根据实际任务学习出抽取模型，并具有较好的泛化能力，但是需要较多的标注数据和时间成本。

4. 基于深度学习的方法：基于深度学习的方法是近年来发展起来的一种概念抽取方法。

深度学习算法如循环神经网络（RNN）、长短期记忆网络（LSTM）和注意力机制等被应用于概念抽取任务中。

这种方法通过将文本序列作为输入，通过神经网络模型自动学习文本中的概念。