第一篇：基于區間型特征向量的模式識別方式論文

模式識別是將待識別對象的特征與給定樣本信息進行比較、匹配，并給出識別對象所屬模式的判斷.在計算機識別與控制系統中，常常要解決基于特征向量的模式識別問題，在這類識別中，標準模式與待識別對象均是以特征向量的形式表現.由于客觀事物的復雜性和不確定性以及人類思維的模糊性，在解決實際問題時，往往會因計算、測量數據帶有誤差而不能用確定的數來表示特征值，從而導致了特征向量的分量的不確定性，在數量上的反映往往不是一個確定的數值，而是一個范圍，適合用區間數表示.因此，本文研究特征向量的分量以區間數呈現的模式識別方法，以拓廣模式識別方法應用的對象.表示 a 與 b 之間的距離.這種表示方法是將區間數視為平面上的點，并沒體現區間數所呈現的不確定性.實際上，區間數完全由其寬度與中心確定，而在一定程度上寬度反映了不確定性的信息范圍，中心反映了不確定性的信息取值的平均值.同時，考慮到區間數的寬度與中心對不確定性信息的影響，因此，給出如下距離概念.在實際識別中，識別對象往往由多個特征刻畫，而這些特征值的物理量綱也不盡相同，為了消除不同物理量綱對計算結果的影響，就需要對這些特征值進行規范化處理.最常見的類型有效益型和成本型.由于本文對區間數距離的定義是基于區間數的中值和寬度，因此我們采用文獻中的基于中值—半寬的規范化方法.規范化方法介紹如下: 2 模式識別方法2.1 模型描述令 C = c1，c2{，…，c }n為特征集，特征的權重向量 W =(w1，w2，…，wn).對象相對于某一個特征的特征值往往具有不確定性，因此用一個區間數來表示特征值，對每一個特征值作規范化處理.這樣，對象可視作 n 維區間數向量(稱之為特征向量).這樣，對待識別對象的識別，即歸屬哪一個標準模式之中的問題，可轉化為特征向量之間的接近程度來考慮.為此，結合本文中的貼近度，給出擇近原則如下描述，用于基于區間數的距離的模式識別之中.算例分析隨著無線電通訊技術的發展，考試作弊手段越來越現代化.為了防范考試作弊現象，需要對考場周邊的電磁環境進行監測和評估，以便高效地發現高科技作弊信號.本文從無線電信號強度、頻率占用度和頻段占用度三個方面基于模式識別方法對考場電磁環境進行分析.依據歷史數據和專家經驗將電磁環境的復雜度分為五個等級，將其視為五種標準識別模式，表示為 A1，A2，A3，A4，A5，其中依據擇近原則該考場電磁環境屬于“二級”，本文結果與實際電磁環境一致.

第二篇：模式識別作業-小論文

《模式識別》學習心得

模式識別(Pattern Recognition)技術也許是最具有挑戰性的一門技術了，模式識別有時又被稱為分類技術，因為模式識別說到底就是對數據進行分類。說到識別，最為常用的便是模仿人的視覺的圖像識別（當然還有語音識別），也許你會想當然地認為那還不簡單，覺得我們用我們的眼睛可以輕而易舉地識別出各種事物，但是當你想用計算機中的程序來實現它時，于是你便會覺得很沮喪，甚至于有無從下手的感覺，至此你再也不會覺得電腦有多聰明，你會覺得電腦是多么的低能。是的，現在的電腦智能，即人工智能還遠不如蟑螂的智能，這其中最為根本的原因是模式識別技術還是處于較為低層次的發展階段，很多的識別技術還無法突破，甚至有人還斷言，再過30年也不會有本質的飛躍。當然，世事總是讓人難以預料，我們也用不著這么地悲觀，科學技術總是向前發展的，沒有人可以阻檔得了的。在這里，我把我對模式識別技術的學習和研究心得拿出來與大家分享一下。

模式識別具有較長的歷史，在20世紀60年代以前，模式識別主要是限于統計學領域中的理論研究，還無法有較強的數學理論支持，20世紀80年代神經網絡等識別技術得到了突破，計算機硬件技術更是有了長足的發展，模式識別技術便得到了較為廣泛的應用，光學字符識別(OCR)是模式識別技術最早得到成功應用的技術，之后的應用還有如DNA序列分析、化學氣味識別、圖像理解力、人臉檢測、表情識別、手勢識別、語音識別、圖像信息檢索、數據挖掘等。

模式識別是一門與數學結合非常緊密的科學，所應用到的數學知識非常多，最基本的便是概率論和數理統計了，模式識別技術到處都充滿了概率和統計的思想，我們經常所說的識別率，其實就是概率的表達：在大數據量（嚴格地說應當是數據量無窮大）測試中識別成功的概率，還有常用的貝葉斯決策分類器便是運用了概率公式。模式識別還用到了線性代數，因為運用線性代數可以較為方便表達具有多特征的事物，我們一般會用向量來表達一個事物的特征，對于向量的計算是一定會用到線性代數的知識的。還有一個較為高層次的數學知識是泛函分析，泛函分析是研究無限維線性空間上的泛函數和算子理論，SVM（支持向量機）便是以泛函分析中的理論為基礎的，SVM技術還運用到了最優化理論數學知識，最近中科院王守覺院士提出的多維空間仿生模式識別技術是以拓撲學為理論基礎的。所以說模式識別科學是應用到數學知識最多的一門學科之一，在我們研究模式識別技術過程中會碰到一個又一個的數學知識，有時需要我們重新拿起大學時的數學書來學習，有時還需要我們去尋找和學習我們也許從未學習過的數學知識，這時你會感覺到你真的是在做研究，仿佛又回到了大學學習時光，你更會感覺到要學好模式識別技術需要多年的積累，浮躁不得，當然，如果你越是堅持下來，你的價值就會越大，因為這是個可以不斷得到積累的技術，不像研究上層應用，研究多年并不意味著你就會有多厲害，一下子沒有跟進便會被淘汰掉，而后面進來研究的人很容易超越前面研究的人，所以說，模式識別技術是一個喜歡做研究的人的一個很好的選擇。模式識別大體上可以分為統計模式識別和句法模式識別，統計模式識別是對大量的樣本進行統計或學習而最后得到一個分類器，如貝葉斯分類器、神經網絡、SVM、K近鄰法則等都是屬于統計模式識別的方法，句法模式識別則是依據一定的邏輯規則進行判別，如圖像形狀判斷、語法類型判斷、地址細分等，句法模式識別也可以稱為結構模式識別，一般是應用于邏輯清楚、不易混淆的識別應用中，識別方法也比較簡單，所以現在研究的大部分都是統計模式識別的方法，而且在這其中研究比較集中的是機器學習，因為人們相信：像人類辨別新事物一樣，都需要一個學習過程，對于計算機也可以像人類那樣地去學習而具有辨識能力。神經網絡技術便是基于模仿人類的學習而產生的。說了這么多，其實我想表達的是統計方法在模式識別中的重要性，在這一節我們主要就來討論一下概率論和統計在模式識別中的應用。

說到概率和統計就不得不提貝葉斯決策理論，它是解決模式分類問題的一種基本統計途徑，貝葉斯決策理論的基本公式可做如下描述：

某個特征被判斷為某類的概率 =該類中出現這個特征的概率 × 該類存在的概率 / 這個特征出現的概率

上面這個公式是一個條件概率公式的推導，這里用文字來描述，以便更好理解，要想了解更多這方面的知識可以查找有關模式識別的理論書，幾乎每種理論書的第一個部分就是描述這方面的內容。

概率上的應用還有較為常用的理論是馬爾可夫模型（Markov model）和穩馬爾可夫模型(HMM)，這個是分詞技術和語音識別中的基本理論工具之一，其中詞頻統計是其基本統計需要。馬爾可夫模型和穩馬爾可夫模型都是多條件概率的應用，追求的也是大概率結果。馬爾可夫模型又可以分為一階馬夫可夫模型（Bigram模型）、二階馬爾可夫模型(Trigram模型)、n階馬爾可夫模型（n-gram模型），階數越大，則需要統計的數據越多，計算的復雜度也會猛增。HMM運用了前向計算法（Viterbi算法），計算復雜度大大降低了下來，所以得到了較為廣泛的應用，當今的語音識別算法就是采用HMM理論模型實現的。

統計分析中有個協方差矩陣，它可以應用于PCA（主成分分析）降維方法中。可以很容易理解，當特征越多時，計算則越復雜，而且計算結果準確性則越低，所以我們總是要想方設法把特征維數降下來，較為常用的方法則是用PCA降維方法（另一個方法VQ也是個很好的降維方法），這個方法是通過大量的樣本統計，統計出方差最小的特征，方差越小，則說明這種特征越易混淆，越無助于分類，于是就可以把這些特征去掉，以此降低了特征維數。

類似于神經網絡的機器學習方法也是屬于統計模式識別一種，機器學習方法大大簡化了我們對樣本數據的統計工作量，采用了自動化的方法根據大量樣本生成一個分類器，在這其中，統計分析的應用較為穩性，以至于讓你無法承認它是屬于統計模式識別的方法，但是對于大量樣本的學習也可以算是統計方法的范疇，如神經網絡中的每個神經節點的系數的形成是依據一定算法（如LMS算法）通過大量樣本修正出來的，這個修正的過程也可以算是統計分析的過程。

既然模式識別技術與概率和統計分析密不可分，所以在設計分類器之前，首先要準備好大量的、周全的、能夠覆蓋各種情況的訓練樣本和測試樣本，然后對訓練樣本進行統計分析，分析樣本的特點，分析樣本的特征值分布規律，得到各種統計數據，最后再來確定模式識別的方法，測試樣本用來檢驗分類器的合理性 問題，根據測試樣本測試出來的問題，需要返回去修改分類器，這是一個反復的過程，直至最后達到分類器的性能目標。

我們在表示某個事物的特征時，其特征數一般有三個以上的，甚至有好幾百個特征，為了表示方便，對于特征值一般采用向量的形式來表示，所以我們在研究模式識別時會有很多的矩陣運算，對于特征值的運算我們可以把它想象成是一個高維空間中的運算，矩陣運算可以方便地表達高維空間中的運算，所以說線性代數是研究模式識別的數學基礎，更高層次的數學理論是泛函分析，它是研究無限維空間的幾何學和分析學。

對于三維以下空間，我們可以較容易地想象出來，但是三維以上的空間超出了我們的感知能力，很多在三維以下空間的計算，推廣到高維空間時，則不靈了，出現了所謂的“維數災難”，這是因為高維空間中出現了稀疏性和空空間的現象，即高維空間中的數據分布會非常地稀疏，且可能出現密度會很高的空區域中點，維數災難是Bellman首先提出來的，它泛指在數據分析中遇到的由于變量過多而引起的一系列問題，有點像“指數爆炸”，隨著指數的遞增，數據會迅速膨脹到難以想象的大。

SVM模式識別技術利用核方法，在高維空間中進行變換，巧妙地解決了維數災難的問題，所以很多實驗表明SVM分類算法總是能夠優于其它分類算法。雖然有如此的好辦法，但是我們還是得想辦法降低維數，降低了維數，不僅可以降低計算的復雜度，也可以排除不必要的干擾特征，在眾多的特征中也許有些特征是沒有用的，即可能存在不是特征的特征，把這些無用的特征去掉，可以改善分類器的性能，目前降低維數主要應用的辦法是PCA方法，很多人在描述這個方法時總要扯上協方差矩陣，讓人陷入一大堆公式的推導中，其實核心思想就是把方差最小的那些特征排除掉，如果你知道這一點，可以不用理協方差矩陣，直接通過統計樣本的特征值方差來實現PCA方法。

兩組特征之間的距離可以有很多種表示方法，如歐氏距離、絕對值距離、切比雪夫距離、馬氏距離、蘭氏距離、相似系數、定性指標的距離等，大家比較熟悉的是歐氏距離，其實這種距離在高維空間并不常用，不僅是因為計算量大，還因為不同特征的值，其計算單位不一樣，不可以把每種特征同等看待，在模式識別中采用哪種距離計算方式很重要，會關系到分類器設計的成敗。計算距離的方式需要根據實際情況靈活應用，有時甚至可以自己設計距離計算方式，只要滿足距離的四個條件即可：

1．當且僅當兩點重合時距離才會等于0;2．距離值必需是大于或等于0;

3．對稱性：從A點到B點求得的距離等于從B點到A點求得的距離； 4．三角不等式：三個點形成的三角距離關系中，任兩邊的和大于第三邊。

學習模式識別我個人覺得從神經網絡入手可能是個較好的選擇，一方面可以避免一下子就陷入復雜的公式推導中，另一方面可以讓我們較快就能體驗到模式識別是個什么樣的技術，因為我們可以利用 Matlab或 openCV 非常方便地進行實踐(學習一種技術，多去實踐非常有助于對理論知識的理解)。神經網絡技術是從仿生的角度來思考模式識別技術，探尋模仿人類的智能一直以來是科學界所研究的目標，神經網絡技術就是基于此而產生的，但是神經網絡能夠得到應用還是 因為數學問題方面得到了解決，最優化理論中的梯度下降法便是神經網絡實現原理的核心，梯度下降算法是一個循環的計算過程：

1． 為算法模型參數值選擇初始值，或隨機選擇些初始值； 2． 計算每個參數對應的損失函數的變化梯度；

3． 根據梯度值改變參數值，使得錯誤值變得更小； 4． 重復第二和第三步驟直至梯度值接近于0。

神經網絡方法就是通過訓練樣本進行學習來擬合出一條分割線（對于維數是三維的識別，則是個平面或曲面，三維以上則是超平面或超曲面），如果這條分割線是一條直線（或平面，或超平面），則稱為線性神經網絡，否則為非線性神經網絡，線性神經網絡較好理解，理解了線性神經網絡，對于非線性神經網絡則能夠更易理解，所以這里先以線性神經網絡為例來解釋神經網絡的原理，下圖是一個二維特征分布圖，中間的一條直線是分割線，我們現在要關心的問題是這條分割線是如何計算出來，如果學過數學，我們知道可以用最小二乘法把它計算出來，但這里我們將要用神經網絡的學習方法來把它學習出來

從上圖我們可以知道，只要我們能夠得到w1,w2,b的值，則這條直線我們就可以求出來了，據此我們構造出如下所示的神經網絡拓撲圖：

從上圖中的w1,w2，我們把它們稱為權值，b稱為閾值，神經網絡的學習過程便是不斷地調整權值和閾值，直至最后達到最小的錯誤率，對于線性神經網絡，我們可以采用LMS算法，即最小均方差算法來求出權值和閾值，如下是LMS算法的描述：

原理：通過調整線性神經網絡的權值(w)和閾值(b)，使得均方差最小。已知有樣本集：{p1，t1}，{p2，t2}，{p3，t3}……{pn，tn}，（如果樣本特征值是多維的，則p是個向量表達式）。

求出均方差：mse = sum(e(i)2)/ n = sum(t(i)– a(i))2 / n, 其中i = 1~n，a(i)= pi × w + b。假設第k步已分別求出權值梯度（Gw）和閾值梯度（Gb），則第k+1步權值和閾值分別為：

w(k+1)= w(k)– Gw×α；

b(k+1)= b(k)– Gb×α； α為學習率

下一步就是要怎么算出梯度，如果權值和閾值的變化能夠使得均方差趨向最小，則便可以達到我們的目標，依此我們可以對均方差公式求對權值和閾值的偏導，這個偏導值便是我們所要的梯度值，它反應了權值或閾值變化與均方差的關系，偏導公式的演變（推導）如下：

?e2(i)/?w = 2e(i)×?e(i)/?w = 2e(i)×?(t(i)– a(i))/?w = 2e(i)×?[t(i)–(w×p + b)]/?w

= –2e(i)×p；

?e2(i)/?b = 2e(i)* ?e(i)/?b = 2e(i)×?(t(i)– a(i))/?b = 2e(i)×?[t(i)–(w×p + b)]/?b

= – 2e(i)；

第k步的平均差值表示為：e(k)= sum(e(i))/n；于是最后我們就可以得到權值和閾值的變化方程式：

w(k+1)= w(k)– Gw×α = w(k)+ 2×e(k)×p×α； b(k+1)= b(k)– G b×α = b(k)+ 2×(k)×α； 其實，上面所描述的神經網絡是一種單層的神經網絡，早在1969年，M.Minsky和S.Papert所著的《感知機》書中對單層神經網絡進行了深入分析，并且從數學上證明了這種網絡功能有限，甚至不能解決象“異或”這樣的簡單邏輯運算問題。同時，他們還發現有許多模式是不能用單層網絡訓練的，真正讓神經網絡得到廣泛應用的是1985年發展了BP網絡學習算法，實現了Minsky的多層網絡設想，BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數（非線性函數），它可以實現從輸入到輸出的任意非線性映射，由于權值的調整采用反向傳播（Back Propagation）學習算法，因此被稱為BP網絡，目前，在人工神經網絡應用中，大部分是采用BP網絡及其變化形式，它也是前向網絡的核心部分，體現了人工神經網絡的精華。BP神經網絡不僅可用于模式識別，還可用于函數逼近、數據壓縮應用中。

BP算法跟上面介紹的算法非常相似，也是根據均方差求權值和閾值的調整方向，也是通過對權值變量和閾值變量分別求偏導得到權值和閾值的修正梯度方向，差別在于BP神經網絡有好幾層，要從輸出層開始，一層一層地計算出每層的權值變化和閾值變化（所以稱為反向傳播學習算法），另一個差別是有些網絡層的神經元的傳遞函數采用log-sigmoid型非線性函數，對于這類函數需要對其進行求導。

BP算法的主要缺點是：收斂速度慢、存在多個局部極值、難以確定穩層個數和穩層節點的個數。所以在實際應用中，BP算法很難勝任，需要進行改進，主要有兩種途徑進行改進：一種是啟發式學習算法（對表現函數梯度加以分析以改進算法），另一種是更有效的優化算法（基于數值最優化理論的訓練算法）。啟發式學習算法有這些：有動量的梯度下降法、有自適應lr的梯度下降法、有動量和自適應的梯度下降法、能復位的BP訓練法等，基于最優化理論的算法有這些：共軛梯度法、高斯-牛頓法、Levenberg-Marquardt方法，這些改進的算法在Matlab中都可以找得到，Matlab提供了豐富的神經網絡算法，除了BP神經網絡，還有基于徑向基函數的神經網絡（如廣義回歸神經網絡、概率神經網絡）、反饋型神經網絡（如Hopfield網絡、Elman神經網絡）、競爭型神經網絡（如自組織特征映射神經網絡、學習向量量化神經網絡），所以學習神經網絡，Matlab是個非常好的工具，如果想看具體的實現方法，openCV提供了BP算法的實現，可惜目前openCV只實現BP算法，很希望有更多的神經網絡算法能夠在openCV中被實現。

對于神經網絡，萬不可過于迷信它的厲害，對于樣本種類多、神經網絡節點多，神經網絡的收斂速度會很慢，導致學習要花費很長時間，由于存在多個局部極值點，導致初值不同和學習樣本不同時，學習效果也不同，所以經常要多次學習才能夠得到較好的效果，根據問題的復雜度，設計合適的神經網絡的網絡拓撲結構也是一個非常難的問題。神經網絡是人類模仿生物神經網絡原理的一個成果，但是還遠遠無法達到生物的神經網絡功能，現在的人工智能技術甚至連蟑螂都不如，也比不上小小的螞蟻，人工智能技術的研究還有非常漫長的路要走。

第三篇：任務型教學方式的教學反思

今天給初一上課，學習的主要話題是關于用英語問候他人。教學內容大多以學生整體感知課文為主。以前教授時我針對課文內容作如下的安排：

1、學生聽錄音，感知課文。

2、聽音，識圖。

3、聽音，重復課文。

4、分角色朗讀課文。

上完課我發現學生非常的聽話，總是被我牽著走。老師讓做什么，他們就做什么，學生始終處于被動中，可是這樣的學習是不會有利于學生的長遠發展的。

針對這種情況，我對教案做了重新調整，在本課中，我采用了“任務型”的教學途徑。在熱身復習之后，我交待了本課的學習任務，請同學們和老師一起多學一些禮貌用語。我們要開展評比“禮貌星”的活動。看誰能獲勝。任務的明確，給了學生一個學習的動力，讓他們有了明確的目標。他們的積極性就高了。當我組織學生參加“找朋友并問候你的朋友”的活動時，學生的學習興趣達到了高潮。他們拍著手，興致勃勃的去交朋友，用英語問候朋友。這種活動的設計也正是《新課標》中所倡導的：教師應依據課程的總體目標并結合教學內容，創造性地設計貼近學生實際的教學活動，吸引和組織他們積極參與。這樣學生可以通過思考、交流和合作等方式，更好的學習和使用英語，完成學習任務。

當然了在采用“任務型”的教學途徑的過程中，也有許多環節還需要我在今后的教學中進一步完善，如：活動不應該僅限于課堂教學，而應該延伸到課堂之外的學習和生活中，鼓勵學生平日里多說英語，讓學生達到“活學活用、學以致用”，更好的突出我們語言教學的語用性和交際性。

第四篇：漢語拼音教學方式論文

漢語拼音是識字和學習普通話的工具，是低年級語文教學的重要任務。以下是“漢語拼音教學方式論文”，希望能夠幫助的到您！

漢語拼音是識字和學習普通話的工具。漢語拼音學得如何，對于以后學習語文知識有著直接的影響。傳統的拼音教學，學生機械地記，枯燥地讀。教師的指導僅僅體現在領讀上。使用人教版新教材的過程中，我對拼音教學有了新的認識。

一、改善漢語拼音教學理念

新《語文課程標準》強調全面提高學生語文素養，賦予了漢語拼音教學全新的教學理念。漢語拼音與識字、寫字、閱讀、口語交際等方面是密不可分的。在拼音教學中，要徹底擺脫傳統拼音教學“孤立地學拼音”的束縛，讓學生在“自主、合作、探究”的全新的學習方式中學習拼音。

二、使用新穎、有效的教學方法

1.歌訣鞏固法

拼音字母是一些抽象的符號，如果只是分析字母構成效果不會太好，為了提高教學效果可以采用歌訣法來進行拼音教學。兒歌由于其瑯瑯上口、通俗易懂的特點而受到了學生的喜愛。在教學中，我們緊緊抓住一特點，把大量的兒歌引入課堂，使兒歌成為提高漢語拼音教學效果的一條有效途徑。例如，在學習“a o e”時，教學生朗讀兒歌：“嘴巴張大aaa，嘴巴圓圓ooo，嘴巴扁扁e e e”學生邊唱邊記住了a o e 的發音。在學習“ch”時，教師教讀兒歌：“小猴子，嘴兒饞，吃了杏子吃李子，吃了李子吃柿子，吃了柿子鬧肚子。”在反復吟誦中，學生熟悉了“ch”的發音。

2.插圖提示法

人教版實驗教材中的每一課都安排了色彩明麗、內容豐富、具有啟發性及思想深刻的圖畫。對于以直觀形象思維為主的一年級學生，這些圖畫是鞏固漢語拼音、進行聽、說、想像與拓展思維訓練、培養創新精神的極好素材。我們應該相信孩子們的想像力，如果教師能為他們構筑足夠高的梯子，為他們的想像插上有力的翅膀，他們的想像會遠遠超出我們成人，他們的心是純凈的，應該還給他們本屬于他們的空間，讓他們自由暢想。在教學中，教師應根據編者意圖，從課文的插圖入手，啟發學生發現插圖跟字母音形的內在聯系。例如：在教聲母k時，先讓學生觀察圖上畫的是什么？（生：圖上有小蝌蚪和水草）你們喜歡小蝌蚪嗎？（生：喜歡）這些可愛的小蝌蚪在那干什么？（生：小蝌蚪在水草邊玩）接著板書k讓學生看，這個字母像什么？（生：它像兩只小蝌蚪靠在水草邊玩）這樣結合看圖，啟發學生想象，不僅增加了兒童情趣，而且能幫助學生記憶字母的音和形。

3.創設情境法

創設情境法是指在課堂教學中，教師用語言、插圖、演示教具、表情等手段把學生帶入情境，從而使學生在一個愉悅、寬松的環境中積極主動地參與學習的方法。比如我在教u的四聲時，運用教具演示，邊演示邊模擬汽車開動的聲音發u的四聲，學生們看到后感到很有趣，也跟著我做手握方向盤的姿勢，并且邊開車邊發音。隨后，我就向學生總結規律：“一聲道路平又直，二聲就像上山坡，三聲下坡又上坡，四聲就像下山坡。”這樣讓學生的腦、眼、手、口多種感官協調活動，化難為易，學生學得特別輕松愉快。

4.游戲學習法

游戲學習法是指在課堂教學中，通過學生參與游戲活動，在游戲中獲取知識，發展思維，培養能力，達到寓教于樂。教育心理學研究的成果表明，兒童的思維是從活動開始的，在活動中，孩子的大腦處于高度興奮狀態。因此，在教學中我經常采用游戲學習法，讓學生在玩中思，玩中學，使認知與情感融為一體。如在學習整體認讀音節后，我設計了如下練習（出示圖：圖上畫的是一棵大樹，樹上結滿蘋果，蘋果上寫著整體認讀音節）。師：秋天到了，果園豐收了，我們一起去果園幫農民伯伯摘蘋果好嗎？（生：好極了）農民伯伯還說了，如果你能帶領全班同學讀一讀蘋果上的音節，他就把這個大蘋果送給你，你們想不想要？學生很興奮，有的同學甚至說：“老師，我最愛吃蘋果了，叫我去吧，我肯定能讀對。”這樣緊密結合課文，針對兒童年齡特征安排一些游戲，使學生在輕松愉快的氣氛中，體會到學中有趣、趣中有知，使認知活動與師生情感交織在一起。

三、培養合作學習意識

新課程改革，倡導自主、合作、探究的學習方式，目的在于培養學生的實踐能力和創新精神，為人的終身學習打下基礎。我認為低年級的語文教學應該是教師指導學生自己學習的過程。在拼音教學中，我體會到小組討論研究學習很有必要，它能夠幫助學生樹立初步的合作意識。在小組學習過程中，教師首先要教給學生學習的方法：先自己試一試，掌握好的同學幫助一下有困難的同學。例如拼讀時，可以這樣跟學生說：“要像老師那樣，先看聲母、后看韻母、再加上聲調、碰一碰看看發什么音？”這樣的要求實際上強調拼讀的方法，學生容易接受。教師再補充一句，“看誰是最好的小老師”。這樣極易調動學生學習的積極性，好勝心理促使他們競讀互學，課堂氣氛熱烈。在這一過程中，學生的參本文由論文聯盟http://www.tmdps.cn收集整理與意識、合作意識樹立起來了。因為只有參與具體的活動，他們才能獲取知識、與人合作，才會感受到成功的喜悅。

總之，當學習成為一種樂趣時，學習才更為有效。在漢語拼音教學中，教師要注意創情、激情，將師生情感融于學生的認知活動全過程，這樣就會大大提高學習效率，促其較快地掌握漢語拼音。蘇聯著名教育學家蘇霍姆林斯基說：“學習如果為思想感情、創造、美和游戲的璀璨所照，就能成為孩子妙趣橫生和心醉神迷的樂事。”基于這種認識，針對兒童形象思維發達的特點，在教學中采用孩子們喜聞樂見的方法，寓拼音教學于兒歌、故事、音樂、游戲、表演之中，讓兒童在歡樂的氣氛中獲取知識，培養能力。

第五篇：任務型教學法論文

任務型教學法在小學英語教學中的實踐與應用研究

王艷艷

引言：

任務型教學（Task-Based Approach）是20世紀80年代外語教學研究者經過大量研究和實踐提出的一個具有重要影響的語言教學模式。該模式以任務為中心，是20年來交際教學思想的一種發展形態，它把語言運用的基本理念轉化為具有實踐意義的課堂教學方式。任務型教學法產生于國外，始于1979年，N.S.Prabhu在印度高科技區進行了一項強交際法的實驗（Bangalore Project）提出了許多任務類型，并把學習內容設計成各種交際任務，讓學生通過完成任務進行學習。Prabhu的這項實驗可以看作是把任務作為課堂設計的單元的第一次嘗試，并引起了語言教學界的關注。任務型教學法以具體的任務為學習動力或動機，以完成任務的過程為學習的過程，以展示任務成果的方式（而不僅僅是以測試的分數）來體現教學的成就。在教學過程中，教師圍繞特定的交際目的和語言項目，設計出可操作性強的、任務化的教學活動，運用學習任務組織教學，強化了語言實際應用的過程，充分體現了語言的交際本質；學生通過多種語言活動完成任務，達到學習語言和掌握語言的目的。近年來，國際上廣泛采用任務型教學途徑。我國的《英語課程標準》以學生 “能做某事”的描述方式設定各級目標要求。要求學生在教師的指導下，通過“任務型”學習活動發展他們的“綜合語言運用能力”。它要求教師應該避免單純傳授語言知識的教學方法，盡量采用“任務型”的教學途徑。教師應依據課程的總體目標并結合教學內容，創造性地設計貼近學生實際的教學活動，吸引和組織他們積極參與。學生通過思考、調查、討論、交流和合作等方式，學習和使用英語，完成學習任務。這說明任務型教學途徑是我國外語教育教學改革的一個走向。同時，現采用的人教版PEP小學英語教材，從內容的選擇，層次的遞進,課程的設置等各方面都很適合任務型教學的實施。為此,我們在課堂進行了任務型教學模式的研究,旨在構建小學英語任務型教學模式的課堂結構和提供一套相應的操作措施。

一、任務型教學法在小學英語教學中的操作措施

任務型教學模式結合小學生的特征，有效整合人教版PEP小學英語教材，并且“以學生為主體，以任務為載體，以話題為主線，以培養學生的綜合語言能力為目的”的教學理念，初步構建了小學英語任務型教學模式，并將其操作步驟規范如下：

1、Leading-in（熱身運動，引起學生的興趣）

2、Pre-task（呈現完成任務需要的知識，介紹任務的要求和實施任務的步驟）

3、While-task（設計數個微型任務，構成任務鏈，學生一個人或小組形式完成各項任務）

4、Post-task（以展示、表演等形式出示結果）

5、Check（自我評價、小組互評、教師總評價）

6、Homework（做與任務有關的作業或為下節課做準備的作業）

英語教學法的過程實際上是把教材內容活化為學生交際行為的過程。這就需要教師結教材進行活化處理，把文字形式化為聲情并茂的語言活動。因此，教師精心設計教學任務非常重要。教師必須深入分析教材，把握各個單元的語言功能話題在真實生活中的運用情景，根據教學內容、教學條件以及師生狀況，設計出符合真實生活的任務型教學活動。

其次，認真設計教學過程。在課堂教學的開始階段教師就應把設計好的任務以不同的方式呈現給學生。如，教師可以運用實物、圖片或形體語言，配合錄音、錄像、幻燈以及多媒體課件等視聽手段進行該任務的整體輸入，讓學生在感知語言信息的同時自然地受到任務的驅動，這有利于提高學生的學習興趣和強化學生的學習動機。由于學生的語言知識和語言技能與完成任務之間存在著差距，他們需要通過學習來獲得完成教學任務的知識教學的技能。這個學習的過程就是完成教學任務的知識教學和技能訓練的過程。教師在這一教學過程的備課階段，要抓住小學生好活動、善模仿和記憶力強的特點，組織好與完成任務密切相關的、生動活潑的課堂教學活動（例如，聽、說、唱、寫、畫、賽、游戲、表演等），使學生主動、愉快地參與學習，自然、輕松地學習和掌握完成任務所需的語言知識和技能。這些圍繞完成任務所需的語言知識而進行的聽、說、讀、寫的基礎訓練為隨后的學生分小組完成數個微型任務打下基礎。在完成上述教學活動之后，教師可把教學進程自然過渡到完成任務上來。在此階段，教師要根據學生的實際情況設計各種任務，并引導學生創造地完成。

同時，教師可以在學生完成任務的過程中和任務完成后，通過考察和交流，對學生的書面作業、口頭問答、課堂展示、學習態度、參與程度和合作精神等作出過程性評價。這種評價可使學生在學習過程中不斷得到激勵，產生自信心和成就感，并轉化為繼續進步的動力。而在布置家庭作業時，教師應擬出一至兩個與教學內容和話題任務相關的話題，讓學生在下一節課以小組為單位進行匯報或表演。小學階段我們所設計的課外作業有：制作姓名卡片和地址簿，用英語給朋友或老師打電話，學唱英語歌曲，講英語幽默故事，自制寫有英文祝辭的圣誕卡或新年賀卡，模仿課文或對話并錄音，用英語寫配圖短文，給筆友發E-mail,設計英語晚會，用英語收集自己、朋友和家人喜歡的食物、飲料、水果、蔬菜、服裝等，查尋各國主要城市及首都名稱用英語做簡單介紹等。

二、采用任務型教學法設計課堂教學應注意的幾點

筆者認為，“任務型”教學活動中所設置的活動要有明確的目的性和可操作活動應以學生的生活經驗和興趣為出發點，設計出讓小學生樂于參加的游戲、猜謎、小制作的小品表演等活動，使學生在學中玩，玩中學，緊緊地抓住他們的好奇心理，吸引他們的注意力，參與到活動中來，比如：學習第五冊Unit 3時讓學生為自己喜歡的食品制一份廣告的活動，能大大調動學生的學習積極性，激發他們的興趣，當他們能順利完成任務感受成功的時候，就會樹立起自信心，把興趣化成動機，豪情滿懷地參加到學習中來，在學習過程中遇到的困難也能克服。

其次，任務的設計要難度適當，給予學生成功的機會。教師設計活動時，必須根據教學內容設計適合學生水平的任務，要讓學生有事可做、有話可說，并讓學生感受到“我能做我會做”。即使是預先設計好的任務，也應根據形式掌握的情況隨時進行調整。對于低、中、高不同年級的學生，教師更要把握好任務的形式、內容和難度。比如：同樣的話題“food”要求低年級的學生能進行簡單的交流，相互了解對方所喜歡的食物；要求中高年級的學生能說出喜歡某種食物的原因,并能設計出一日三餐的營養食譜。

任務型教學采取合作學習，注意組內的合理分工 任務型教學中所設計的任務大部分依靠小組活動來完成，小組的作用不僅體現在課堂上，它還可以延伸到課外，取得良好的效果。小組是一個密不可分的整體，是親密的合作伙伴。采用合作學習的方式有利于學生共同提高。同時要確保每個學生都有事可做，這點非常重要。因此，學生在組內要有明確的分工。每組的組長要協助教師組織和監督任務的執行情況。教師的任務是：規定任務準備與完成的日期、任務內容、展示要求和注意事項。

《新標準》所倡導的任務型教學將成為發展學生語言能力和綜合素質的重要途徑。當然，這一教學模式還有好些問題有待于解決，比如任務的選擇并有進行需求分析，任務的等級評定也是任意的，并且任何形式中心的活動在語言教學中都受到排斥，學生以對子或小組的形式來完成任務，教師在其間不直接指導都有待進一步探討和研究。

任務型教學法是語言教學的有效途徑，同時它是一種新型的教學方式，因此需要在教學中大膽實踐，積極探索，使任務型教學模式能夠在提高學生的英語實際運用能力上發揮出最大的效應。