【摘 要】
：
课堂提问价值理性的缺失导致课堂提问及教学过程的异化,教师一直独占课堂提问的主体地位,对学生成为课堂提问的主体形成了较大障碍,阻碍了“双减”背景下课堂教学的提质增效。由于不同的教学法对课堂提问主体的需求是不同的,因此在课堂提问的视域下应该改变教师为主体、学生为客体的师生互动关系,形成一种主体与主体的高级协同的对话关系,带动课堂提问从单主体的自利性向主体间的互利性对话转向。转化性学习是帮助师生实施课堂
【基金项目】
：
全国教育科学“十四五”规划2021年度教育部重点课题“大数据循证的教师改变提质增效研究”（DCA210314）；
论文部分内容阅读
课堂提问价值理性的缺失导致课堂提问及教学过程的异化,教师一直独占课堂提问的主体地位,对学生成为课堂提问的主体形成了较大障碍,阻碍了“双减”背景下课堂教学的提质增效。由于不同的教学法对课堂提问主体的需求是不同的,因此在课堂提问的视域下应该改变教师为主体、学生为客体的师生互动关系,形成一种主体与主体的高级协同的对话关系,带动课堂提问从单主体的自利性向主体间的互利性对话转向。转化性学习是帮助师生实施课堂提问主体转向的重要实践策略。
其他文献
＜正＞前不久,媒体报道浙江衢州27岁女子董某因为通宵玩手机突发心源性猝死,死时眼睛还盯着手机屏幕。经法医鉴定,董某是通宵玩手机过度疲劳,突发心源性猝死。年轻人尤其是25岁到45岁之间的人,对自己身体究竟处于什么样的状态、能承受多大的压力完全不清楚,肆无忌惮地通宵熬夜、加班,发生心梗或意外猝死的病例近年来逐渐增多。在此提醒读者朋友,不要随意透支自己的健康,养成良好的生活习惯,是享受生活的前提。
通过构建包含国家和行业层面的全球价值链重构和贸易利益分配的贸易制裁计量模型，观察中国企业参与全球价值链重构下对外经贸关系的演变过程发现：中国在全球价值链中地位的相对提升对贸易制裁具有催化效应；中国全球价值链参与度的相对深化对贸易摩擦具有润滑作用；以上效应均表现出时间异质性特征，并在中美贸易争端案例中得到验证。研究结果认为，全球价值链重构引发了国际竞争格局新变化，国际贸易争端的根源是旧有全球经济治理
＜正＞本文对心内科老年患者在接受治疗期间发生心源性猝死的临床危险因素展开深入研究，针对80例心源性猝死病患相关临床资料展开回顾性分析，寻找具体原因，并将危险因素予以明确。分析后发现，猝死原因主要包括情绪异常激动、运动过于剧烈、喝酒、吸烟，以及少量其他诱因。研究结果也提醒我们，在对心内科老年病患进行治疗时，心源性猝死不可忽视，必须要寻找到行之有效的预防之策，针对危险因素展开全面分析，
＜正＞我国加快制造业数字化转型，政策支持力度持续加码，数字基础设施建设进一步提速，工业互联网平台赋能作用增强，制造业成为创新突破“试验田”，工业园区将成数字化转型主战场。加快制造业数字化转型，既是实现制造业高质量发展的重要举措，也是推进新型工业化的有效路径。随着数字技术与制造业在更广范围、更深程度、更高水平上的融合发展，围绕制造业数字化转型的政策布局、数字底座、赋能载体、技术融合、转型路径、应用推
＜正＞【教学内容】人教版六年级上册第六单元《百分数（一）》。【教学过程】一、创设情境，链接生活1.信息讨论，引发冲突。课件出示：谁的投篮水平高？师：一场篮球比赛中，王明和小佳分别投中了7球和9球，你认为谁的水平高？说说理由。生1：小佳水平高，因为他投中次数比王明多。生2：不一定，两个人的投球总数不知道，可能王明共投了7个，小佳共投了20个。
随着科技的进步和人们日常生活需求的变化，越来越多的家庭开始关注智能家居应用，将其纳入日常生活中，提升家居的便利性、舒适性和安全性。通过对智能家居应用现状进行研究发现，智能家居已经被广泛应用于智能照明、智能安防、智能家电、智能健康等领域。然而，智能家居应用也存在兼容性和互操作性挑战、用户安全和隐私保护有待加强、技术依赖性较强等问题。针对这些问题，提出进一步的解决措施。
目的 直接免疫荧光法、SureStepTMChlamydia抗原检测卡同PCR方法比较检测沙眼衣原体的敏感性和特异性。方法 采用上述三种方法对 1 80例性病门诊患者进行检测。结果 与PCR相比 ,检测卡敏感度 90 .4% ,直接免疫荧光法敏感度 76 .9%。结论 三种方法皆具有简便快捷的特点 ,检测卡不仅操作简单 ,而且不需任何仪器设备 ,灵敏度高 ,特异性好 ,是基层医院诊断沙眼衣原体感染
为了去除煤矿图像的噪声并尽可能地还原煤矿图像的原貌，提出了一种基于生成式对抗网络（GAN）的煤矿图像去噪方法。首先考虑到模型的输入为含噪声的煤矿图像，因此利用变分自编码器（VAE）作为GAN的生成器，以获得不含噪声的煤矿图像。然后考虑到VAE生成的重构图像一般情况下均是较为模糊的，因此利用GAN中的判别器对原始图像与重构图像进行判断，以提升去噪图像的清晰度。最后将作为生成器的VAE与GAN中的判别