未分类题

班会课上,学生们纷纷谈论自己未来的人生理想。
小可说:“我想当医生,能治病救人,多崇高啊!”
明明说:“我想当宇航员,探索宇宙的奥秘。”
婷婷说:“我想当明星,既风光,还可以轻松挣大钱。”
……
当小方说自己的理想是长大后当农民时,他的话引发了同学们的哄笑和议论。
“哦?难道小方当农民的理想有问题吗?我们的日常生活能离开农民的辛勤劳动吗?”听班主任张老师这么一问,学生们一下子都安静下来,陷入了沉思。
“老师,听您的意思,似乎当农民还是一种不错的选择?”小丁低声地说出了心中的疑惑。
“同学们,职业不分高低贵贱,职业理想完全可以多样化。我们可以选择做一个高级白领、政府官员、企业家,也可以选择做农民……”张老师接着说。
张老师知道只靠一堂班会课,不一定就能让学生真正懂得这些道理。那么,如何才能引导学生正确认识不同职业的价值,规划自己未来的人生呢?
假如你是张老师,请针对讨论中反映出的问题,设计一个主题教育活动方案。要求完成以下具体任务:
1.拟定活动方案的主题。
要求:主题鲜明,概括准确,字数不超过25字。
2.阐述活动方案设计的依据。
要求:合理清晰,表达简洁,字数不超过100字。
3.写出活动方案目标、内容与过程。
要求:目标明确,内容充实,措施得当,具有针对性和可操作性,字数不超过600字。
4.如果该方案付诸实施,你将如何评估其结果?
要求:指标恰当,方法可行,字数不超过100字。

【参考答案】

“以梦为伴,放飞理想”主题班会(小学)
设计依据:职业没有高低贵贱之分,理想亦是如此,有人想成为教师、医生,也有......

(↓↓↓ 点击下方‘点击查看答案’看完整答案 ↓↓↓)
热门 试题

未分类题
《风筝》一文主要描写了童年的“我”和伙伴们做风筝、放风筝、找风筝的情景。以下是某小学三年级语文李老师两次授课的教学片断。片段一(摘自2017年10月27日三年级1班的课堂教学实录):李老师:小明,这篇课文写了三件事情,分别是哪些呢?小明:做风筝、放风筝、找风筝。李老师:做风筝的时候,作者是什么心情,小明你接着说一下。小明:是快活的。李老师:为什么?小明:(没有回答)李老师:(见小明没有回答,随即转身面向全班同学)其他同学有知道的吗?全体同学:(没有回答)李老师:(显得有点着急)我的意思是说,从文中第几自然段看出来他的心情是快活的?小丽,你来说一下。小丽:第二自然段……李老师:放风筝呢?全体学生:(七嘴八舌)“第三自然段” “还是快活的”……李老师:对,放风筝时的心情也是快活的,在第三自然段可以看出来,小军:(脱口而出)老师,老师,我放过风筝,只有拼命地跑,一点也不快活……李老师:(打断了小军的话)找风筝呢?……评课环节有老师指出,这节课的教学重点是让学生抓住关键词句,体会文中孩子们在“做风筝、放风筝、找风筝”时的心情变化,感悟风筝带给孩子们的乐趣。这节课上李老师主要采用的是教师问学生答的教学方式,虽然提问了50多次,但以事实性问题为主,不能很好地达成教学目标、促进学生语文核心素养的发展。建议李老师改进教学方式,比如采用自主探究、小组合作等方式。片段二(摘自2017年10月30日三年级2班的听课记录):根据老师们的建议,李老师调整教学方案,并在三年级2班实施教学。上课伊始,李老师按座位将学生就近分成4人一组,给每组下发一份小组合作学习任务单(见下表),要求学生完成任务单中的任务。学生拿到任务单后,直接开始讨论。讨论过程中,有的组一直在讨论自己放风筝时的感受,没有人填写任务单;有的组是一个人在填写任务单,其他同学要么在课本上圈点、批注,要么在发呆。10分钟过去了,学生合作讨论进展很慢,没有小组能够完成任务。这时,老师提醒大家要按照任务单的要求完成任务,先独立默读、圈画,再进行讨论交流。15分钟过去了,大部分小组仍然没有完成任务,直到20分钟时,所有小组的任务才基本完成。汇报环节,有的组互相推诿,都不愿意发言;有的组只汇报了部分内容;有的组汇报的语句、关键词和心情感受等不准确。请根据以上案例,回答下列问题:1.结合三年级1班授课情况,谈谈教师课堂提问的设计和实施应注意哪些问题。要求:全面、准确,字数不超过200字。2.针对三年级2班小组合作学习中存在的问题,请给李老师提出教学改进建议。要求:问题明确,建议合理,条理清晰,字数不超过400字。3.结合李老师两次授课情况,谈谈如何提高教师自身的教学能力。要求:结合案例阐述,条理清晰,字数不超过400字。
判断题
1997年,国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”;2016年,谷歌人工智能AlphaGo又战胜了韩国棋手李世石。这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋,谷歌公司的DeepMind团队比预期提前了整整10年达到了既定目标。对计算机来说,围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反,围棋规则更简单,它其实只有一种棋子,对弈的双方轮流把黑色和白色的棋子放到一个19x19的正方形棋盘中,落下的棋子就不能再移动了,只会在被对方棋子包围时被提走,到了棋局结束时,占据棋盘面积较多的一方为胜者。围棋的规则如此简单,但对于计算机来说却又异常复杂,原因在于围棋的步数非常多,而且每一步的可能下法也非常多。以国际象棋作对比,国际象棋每一步平均约有35种不同的可能走法,一般情况下,多数棋局会在80步之内结束。围棋棋盘共有361个落子点,双方交替落子,整个棋局的总排列组合数共有约10701种可能性,这远远超过了宇宙中的原子总数——10^{80}!对于结构简单的棋类游戏,计算机程序开发人员可以使用所谓的“暴力”方法,再辅以一些技巧,来寻找对弈策略,也就是对余下可能出现的所有盘面都进行尝试并给予评价,从而找出最优的走法。这种对整棵博弈树进行穷举搜索的策略对计算能力要求很高,对围棋或者象棋程序来说是非常困难的,尤其是围棋,从技术上来讲目前不可能做到。“蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略,能够根据对搜索空间的随机抽样来扩大搜索树,从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说,假如筐里有100个苹果,每次闭着眼拿出1个,最终要挑出最大的1个。于是先随机拿1个,再随机拿1个跟它比,留下大的,再随机拿1个……每拿一次,留下的苹果都至少不比上次的小。拿的次数越多,挑出的苹果就越大。但除非拿100次,否则无法肯定挑出了最大的。这个挑苹果的方法,就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前一些弈棋程序中也有采用,在相对较小的棋盘中也能很好地发挥作用,但在正规的全尺寸棋盘上,这种方法仍然存在相当大的缺陷,因为涉及的搜索树还是太大了。AlphaGo人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo借助两个深度卷积神经网络(价值网络和策略网络)自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元,将其堆叠在一起,用于生成图片逐渐抽象的、局部的特征。对图像分析得越细,利用的神经网络层就越多。AlphaGo 也采取了类似的架构,将围棋棋盘上的盘面视为19×19的图片输入,然后通过卷积层来表征盘面。这样,两个深度卷积神经网络中的价值网络用于评估盘面,策略网络用于采样动作。在深度学习的第一阶段——策略网络的有监督学习(即从______I____中学习)阶段,拥有13层神经网络的AlphaGo借助围棋数据库KGS中存储的3000万份对弈棋谱进行初步学习。这3000万份棋谱样本可以用a、b进行统计。a是一个二维棋局,把a输入到一个卷积神经网络进行分类,分类的目标就是落子向量A。通过不断的训练,尽可能让计算机得到的向量A接近人类高手的落子结果b,这样就形成了一个模拟人类下围棋的神经网络,然后得出一个下棋函数F go()。当盘面走到任何一种情形的时候,AlphaGo都可以通过调用函数F go()计算的结果来得到最佳的落子结果b可能的概率分布,并依据这个概率来挑选下一步的动作。在第二阶段——策略网络的强化学习(即从____II______ 中学习)阶段,AlphaGo开始结合蒙特卡罗树搜索,不再机械地调用函数库,而类似于一种人类进化的过程:AlphaGo会和自己的老版本对弈。即,先使用F_go(1)和F_go(1)对弈,得到了一定量的新棋谱,将这些新棋谱加入到训练集当中,训练出新的F_go(2),再使用F_go(2)和F_go(1)对弈,以此类推,这样就可以得到胜率更高的F_go(n)。这样,AlphaGo就可以不断改善它在第一阶段学到的知识。在第三阶段——价值网络的强化学习阶段,AlphaGo可以根据之前获得的学习经验得出估值函数v(s),用于预测策略网络自我对抗时棋盘盘面s的结果。最后,则是将F_go()、v(s)以及蒙特卡罗树搜索三者相互配合,使用F_go()作为初始分开局,每局选择分数最高的方案落子,同时调用v(s)在比赛中做出正确的判断。这就是AlphaGo给围棋带来的新搜索算法。它创新性地将蒙特卡罗模拟和价值网络、策略网络结合起来训练深度神经网络。这样价值网络和策略网络相当于AlphaGo的两个大脑,策略网络负责在当前局面下判断“最好的”下一步,可以理解为落子选择器;价值网络负责评估整体盘面的优劣,淘汰掉不值得深入计算的走法,协助前者提高运算效率,可以理解为棋局评估器。通过两个“大脑”各自选择的平均值,AlphaGo最终决定怎样落子胜算最大。通过这种搜索算法,AlphaGo和其他围棋程序比赛的胜率达到了99.8%。AlphaGo的飞快成长是任何一个围棋世界冠军都无法企及的。随着计算机性能的不断增强,遍历蒙特卡罗搜索树将进一步提高命中概率。大量的计算机专家,配合大量的世界围棋高手,在算法上不断革新,再配合不断成长的超级计算能力,不断地从失败走向成功,最终打造出围棋人工智能。在AlphaGo击败李世石后,欧洲围棋冠军樊麾说了这么一句话:“这是一个团队的集体智慧用科技的方式战胜了人类数千年的经验积累。”人和机器其实没有站在对立面上,“是人类战胜了人类”。根据文章,回答下列问题:函数F go(n)比F go(n-1)的胜率更高。