简介:摘要:随着信息时代的到来,阅读理解的重要性在日益凸显,特别是在高中语文教学中。本研究围绕高中阶段学生的阅读理解策略进行深入探究,旨在提高学生的语文理解与表达能力。借鉴定性和定量研究方法,考察了数个不同地区的高中教育环境及学生阅读理解能力的现状。研究发现,恰当的阅读理解策略对于提高学生的理解能力和语文成绩具有显著的作用,如关联背景知识、判断主旨要义、理解词义关系和文章结构等。同时,教师的教学方式,如是否引导学生运用阅读理解策略,也对学生的语文理解有重大影响。此外,研究还揭示出当前高中阅读理解教学存在的一些问题,如忽视策略性指导、侧重信息传递而非理解能力的培养等。为此,提出了一系列针对性的改善教学策略,以期促进高中语文阅读理解教学的发展。此研究结果有助于开展更为有效的语文教学,提升高中生的阅读理解能力,实现语文教学目标。
简介:摘要:美国哈佛大学加得纳教授总结出人类有7种智能,分别是:音乐智能、身体运动智能、逻辑—数学智能、语言智能、空间智能、人际智能和自我认识智能。人类的智能是多元的,每个正常人都在一定程度上拥有其中的多种智能。作为语文教师要借鉴这种理论,将之放入语文课改中,《小学语文新课标》 中写到“现代社会要求公民具有良好的人文素养和科学素养,具有创新精神、合作意识和开放的视野,具有包括阅读理解与表达交流在内的多方面的基本能力”。由此看来,语文能力的培养也涉及多方面的智能范畴,教师在教学中要注重培养学生的多元智能,同时运用好学生的多元智能。
简介:摘要目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20 μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150, P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~ 0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~ 0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。
简介:摘要目的探讨经尿道等离子体前列腺电切术治疗前列腺增生的手术配合及体会。方法应用OLPS等离子体内窥镜系统,以生理盐水为灌注液,常规麻醉下摆放截石位,经尿道置入电切镜依次膀胱颈部6点处切出标志沟,近端始于颈部,远端止于精阜附近,深度至包膜,依次切割右叶、左叶及颈部12点处塌陷之腺体,最后作精阜附近修整,术毕以Ellik抽吸器吸出碎片后,彻底止血后插入22F三腔气囊导尿管行膀胱持续冲洗。加强术前、术中配合、术后回访及护理。结果治疗64例,均一期愈合,回访时无相关并发症发生的结论。
简介:摘要目的探讨分析地高辛在临床应用过程中血药浓度监测的意义,为临床合理用药提供参考。方法采用均相酶标放大免疫分析法(MEIT)监测我院128例住院患者应用地高辛后的血药浓度,并对监测结果进行统计学分析。结果在进行地高辛血药浓度监测的128例患者中,其浓度测定值在治疗浓度0.8~2.0ng·ml-1的共有74例,占57.81%%;低于治疗浓度的有22例,占17.19%;高于治疗浓度的有32例,占25.0%。其中,性别和年龄因素为影响地高辛血药浓度的主要因素。结论进行地高辛的血药浓度监测,对减少毒性反应的发生,确保其临床疗效,有重要的意义。