关键词： 分布式宏应变   桥梁健康监测   机器学习   安全预警   损伤识别  

摘要： 探究随机列车荷载下联合分布式宏应变监测与机器学习的桥梁评估预警方法，实现铁路桥梁分布式快速评估。建立列车-轨道-桥梁耦合振动三维精细化有限元模型，应用荷载统计分析方法构建与实际列车运营相适应的随机车流模型，基于分布式监测原理，提出分布式宏应变影响线面积作为桥梁预警的指标设计预警区间评估预警方法；进一步，通过多种刚度退化工况仿真分析，构建随机列车荷载下分布式宏应变监测数据样本库，对比研究4种机器学习方法对桥梁损伤定量与定位的准确率。结果表明，4种机器学习都能够对桥梁结构的局部损伤进行定位和定量，平均识别准确率都达到了90%，其中KNN模型和SVM模型在桥梁损伤定量的测试中表现最好，识别准确率均为95%,SVM模型在桥梁结构损伤定位的测试中表现最好，识别准确率为98.3%。联合分布式宏应变监测与机器学习的桥梁评估方法具有可行性，SVM模型在桥梁结构损伤定位的测试中表现最好，KNN模型和SVM模型在桥梁损伤定量的测试中表现最好，综合分析，SVM在桥梁损伤定位与损伤定量分析表现最优。

关键词： 人工智能   音乐基础教育   小学低年段   唱游教学  

摘要： 本文着重探讨在小学初级阶段唱游教学中智能技术的运用,全面描述了人工智能在音乐基本感知培养、情感审美体验与互动深化、教学管理及评价改进等领域对音乐启智教育所做出的革新性尝试。利用智能化的音准、节拍、速率训练方法,情感分析与模拟伙伴交互,以及课堂信息的自动搜集与评价反馈机制,打造了一套高效率的音乐基础教育体系,有效促进了教学成效和学生音乐修养的提高,为智能音乐教学的进步提供了全方位的范例与启示。

关键词： 人工智能   小学音乐教育   唱游活动  

摘要： 伴随着人工智能时代到来,教育领域正迎来前所未有的机遇与挑战。传统教学方式在数字化洪流里亟须革故鼎新,智能化教育成为大势所趋。在音乐教育上,如何借助AI技术来帮助小学音乐唱游活动,优化小学音乐唱游活动的教学设计,提高小学音乐唱游活动的教学效果是目前需要解决的问题,智能化技术手段能够实现个性化教学,培养学生对音乐的学习兴趣和综合素养能力。AI 会自动纠错音准节奏,它还会制造好玩的互动乐谱,而且会配合虚拟场景模拟合唱,学生就在这种体验里主动去摸索,加深对音乐的感受和团队合作能力。

关键词： 卷积神经网络   牛只   图像识别   YOLO v10模型   人工智能  

摘要： 【目的】为实现精准养殖中对牛只活动状态的实时监控，助力养殖户及时识别异常行为，并为牛只的饲料分配、疾病监测及繁殖管理提供支持。【方法】本研究通过改进YOLOv10模型，对牛只种类及行为检测方法展开探索。具体改进如下：首先，在YOLOv10的Backbone端采用C2f-LSKA结构，以增强模型的特征提取能力；其次，引入DySample上采样算子，旨在有效捕捉图像的细微变化与密集语义信息，规避传统上采样方法中存在的图像模糊及感受野受限问题；同时，将YOLOv10中的PSA替换为CloFormer注意力机制，从而更精准地区分牛只特征与背景噪声，并提升小目标识别精度；此外，加入多尺度空洞注意力机制（MSDA），以增强感受野范围内各尺度的聚合语义信息，同时有效减少自注意力机制的冗余；最后，采用Inner-IoU损失函数，解决普通IoU损失函数无法根据目标尺度灵活调整损失计算的问题。【结果】在牛只行为数据集上，改进的LDCM-YOLOv10n模型的mAP@0.5较YOLOv3、YOLOv5、YOLOv6、YOLOv8n、YOLOv9及原YOLOv10n模型分别提升15.4、10.7、12.0、8.4、7.9和5.1个百分点；在牛只种类数据集上，该模型的mAP@0.5较上述模型则分别提升32.4、11.9、10.4、9.5、9.0和6.4个百分点。【结论】改进的LDCM-YOLO v10n 模型在牛只行为与种类检测中表现优异，为精准养殖提供了强有力的技术支撑。

关键词： 信息科技课程   课堂互动   物联网技术   人工智能   互动模式优化  

摘要： 信息科技课程作为新时代教育体系的重要组成部分,其课堂互动模式的优化直接关系到学生数字素养与创新能力的培养效果,传统的信息科技教学往往局限于知识传授与技能训练,缺乏深层次的师生互动以及生生协作与实践探究,物联网技术等新兴技术为课堂互动模式的创新提供了强有力的技术支撑,使得教师能够构建更加智能化与协作化的互动环境,通过运用传感器感知技术收集学生学习行为数据,借助智能算法分析学习需求并优化问题设计,能够显著提升学生的参与度与问题解决能力。研究表明,技术赋能的互动模式不仅增强了课堂教学的趣味性与实效性,更培养了学生的计算思维与实践能力并为信息科技课程的高质量发展提供了新的路径。

关键词： 人工智能   算力资源   算力共享   算力治理   企业社会责任   协同治理  

摘要： 在人工智能大模型驱动新质生产力发展的背景下，企业算力共享已成为技术与制度双重层面的重要议题。然而，当前我国企业算力共享治理面临着治理主体、治理内容与治理依据等多方面的难题，这影响了算力资源的高效流动与可信共享。作为一种复合型责任，企业社会责任可被视为连接算力共享规范与实践的桥梁，其有助于强化责任体系与优化治理结构。换言之，社会责任在企业算力共享中扮演着治理创新角色，即在软硬法协同框架内整合算力资源、强化共享价值。以此为基础，通过明确企业算力共享社会责任的基本内涵与原则，构建涵盖算力供给方、需求方与平台方的分层责任体系，并以规范统合与程序保障为支撑，进而实现社会责任的制度化融入与法治化适用。据此，可为大模型时代构建公平、透明、可持续的企业算力共享生态提供坚实的法治保障。

关键词： 人工智能   高中信息技术   高中通用技术   教学策略   技术与设计2   教学重构  

摘要： 随着人工智能技术的迅猛发展,教育领域正经历深刻的变革,高中通用技术课程作为培养学生技术素养、创新能力和实践能力的重要载体,亟须借助人工智能技术实现教学模式的转型升级,本文聚焦人工智能在高中通用技术课堂中的应用,首先从提升学生创新能力、优化教学资源配置、促进个性化学习、增强实践操作能力、推动跨学科融合以及培养未来社会所需人才六个维度,系统阐述了人工智能融入教学的重要性,随后,文章结合2024年春季广东教育出版社出版的《信息技术·必修1数据与计算》(2019年版,现行通用)和地质出版社出版的《通用技术·必修技术与设计2》(2019年版,现行通用)教材内容,提出了人工智能赋能下的教学策略,通过理论分析与具体案例相结合的方式,展示了人工智能如何深度融入通用技术教学全过程,推动课堂从“知识传授”向“素养培育”转变,为新时代高中通用技术课程的高质量发展提供理论支持与实践路径。

关键词： 人工智能   精神生产   抽象统治   中国式现代化  

摘要： 精神生产是历史唯物主义的核心概念。人工智能时代会出现人工智能精神生产和原有精神生产智能化的变革趋势。人工智能时代精神生产智能化变革在科技逻辑和应用逻辑影响下，将会增强精神生产的生产性，提高科技在生产力中发展应用的水平，极大丰富精神产品的，为精神生活富裕和人的自由全面发展提供技术可能。但是受资本逻辑影响，人工智能时代精神生产还可能具有侵蚀人的生命政治的趋向，出现新的资本抽象统治方式。基于此，中国式现代化正是在坚持党的领导，遵循马克思主义中国化逻辑和社会主义基本经济制度基础上，驾驭资本逻辑，具有了让人工智能时代精神生产真正助推人自由全面发展，建构一个技术形态上人类文明新形态的可能。与此同时，人工智能新的科技趋势在中国式现代化的实践中，更好地实现了自身发展，并加速精神生产的智能化变革趋势。

关键词： 人工智能   本科教育   课程优化   个性化学习   教育评估  

摘要： 随着人工智能技术的迅猛发展,高等教育的传统模式面临着前所未有的挑战与机遇。特别是在本科课程的修读质量提升过程中,人工智能的引入为教学方式、课程内容的创新、学生学习体验的优化提供了全新的可能。本文深入探讨了人工智能在本科教育中的应用路径,分析了目前学业管理、课程设计及学生自主学习中存在的瓶颈,提出通过人工智能优化课程结构、促进学科交叉、加强个性化学习支持等方式,实现教育质量的全面提升。通过与校内外资源的协同互动,构建智能化的教学和评估体系,能够更好地引导学生全面发展,推动高等教育的未来创新。

关键词： 结直肠肿瘤   黏液腺癌   影像组学   深度学习   机器学习  

摘要： 目的:基于增强CT影像组学联合深度学习方法构建结直肠黏液腺癌与非黏液腺癌术前鉴别模型。方法:本研究为回顾性病例系列研究。回顾性收集2016年1月至2023年12月上海交通大学医学院附属第一人民医院（中心1， n=220）和蚌埠医科大学第一附属医院（中心2， n=51）收治的经术后病理学检查结果证实的结直肠癌患者资料。其中黏液腺癌108例，男性55例，女性53例，年龄（68.4±12.2）岁（范围：38~96岁）;非黏液腺癌患者163例，男性96例，女性67例，年龄（67.9±11.0）岁（范围：43~94岁）。将中心1的病例按7∶3的比例使用分层随机抽样的方法分为训练集（ n=156）和内部验证集（ n=64），将中心2的病例作为独立外部验证集（ n=51）。在静脉期增强CT图像上手动勾画肿瘤的三维感兴趣区。使用PyRadiomics提取影像组学特征，使用ResNet-18提取深度学习特征，并将二者特征组合为联合特征。通过类内相关系数对2名放射科医师勾画的三维感兴趣区进行一致性评估，使用Mann-Whitney U检验和最小绝对收缩和选择算子回归方法实现特征降维。选取6类机器学习算法，包括支持向量机、逻辑回归、随机森林、极限梯度提升、k-最近邻及决策树，分别基于影像组学特征、深度学习特征及联合特征构建模型。通过绘制受试者工作特征曲线、计算曲线下面积（AUC）、采用Delong检验及决策曲线评估各模型的鉴别效能。 结果:经特征筛选后，最终保留22个最具鉴别价值的特征，其中传统影像组学特征12个，深度学习特征10个。内部验证集中，基于联合特征模型的随机森林算法性能最佳（AUC=0.938，95% CI：0.875~0.984），优于单一模态的影像组学特征模型（AUC=0.817，95% CI：0.702~0.913）（ P=0.048）和深度学习特征模型（AUC=0.832，95% CI：0.727~0.926， P=0.087）;独立外部验证集中，联合特征模型随机森林算法保持最高鉴别性能（AUC=0.891，95% CI：0.791~0.969），优于单一模态的影像组学特征模型（AUC=0.770，95% CI：0.636~0.890， P=0.045）及深度学习特征模型（AUC=0.799，95% CI：0.652~0.911， P=0.169）。 结论:基于静脉期增强CT的影像组学与深度学习特征的联合模型，在术前鉴别结直肠黏液腺癌与非黏液腺癌方面的性能良好。