连续学习

2024-08-30

连续学习（通用7篇）

连续学习篇1

强化学习是机器学习的一个重要分支[1,2,3,4],决策主体通过试探与未知环境不断地进行信息交互,利用评价性的反馈信号实现决策的优化。它包括两方面的含义[1],一方面将其看作一类问题,一方面指解决这类问题的技术。近年来,随着强化学习理论的不断发展和完善,已成为一个多学科交叉的研究方向,成功应用于机器人、智能交通、生产调度等应用中[5,6,7,8]。

强化学习是解决一类序贯决策问题的有效方法,可以通过统计技术、在线学习、动态规划等估计状态值函数或状态-行动值函数,运用行动值函数确定各个状态的最优行动,形成最优控制策略。强化学习方法通常保存一种表格,每个方格用于存储状态-行动值函数(即Q因子),通过样本学习实现值函数更新。因此,该类方法适合解决系统状态空间、行动空间为有限离散的优化控制问题[1]。而生产生活中的许多实际问题的状态或行动为连续变量甚至混合变量,必然要求将该类方法进行推广。目前,解决连续状态-连续行动问题的方法主要包括离散化和值函数逼近两大类[9,10,11,12],前者将连续变量转化为离散的[9,11],后者则主要通过参数结构的泛化实现值函数表示[9,10,12]。本文将对连续状态-连续行动强化学习所面临的问题进行分析,对一些求解方法或技术进行讨论,并对未来可能发展方向进行展望。

1 连续状态-连续行动强化学习

1.1 强化学习理论

强化学习方法结合了动态规划、函数随机逼近等思想[1],包括策略,奖惩反馈、值函数和环境模型四个要素。智能主体基于环境模型的系统状态,按照一定的策略确定执行行动,环境模型根据智能主体行动给予相应的奖惩反馈,奖惩反馈通过长期积累构成值函数,其工作过程如下。在t时刻(t=1,2,3…表示离散的时间步骤),智能主体感知环境模型状态st∈S(S为系统状态集合),选择执行行动at∈A(st)作用于环境模型,其中A(st)为状态st的行动集合。环境模型将针对执行行动给予智能主体奖惩反馈rt+1∈R,并转至下一状态st+1。所有的状态-行动映射就可以构成系统的控制策略π,策略π下系统的状态转移规律可表示为其中s s'∈S,at∈A(st)。通过智能主体和环境模型的反复交互,获得系统长期的奖惩折扣累积公式:

其中γ(0<γ<1)为折扣因子。在策略π下,定义状态s性能值函数为:

定义状态-行动对Q(s,a)性能值函数为:

其中,状态值函数基于TD学习的更新公式为:

V(st)表示状态st下的状态值函数。状态-行动对值函数Q(st,v(st))学习更新公式为:

1.2 连续状态-连续行动泛化问题

标准强化学习算法利用数据样本实现状态值函数或状态-行动值函数的学习逼近,从而实现最优控制策略的求解。然而,在实际生活中一些系统变量则具有连续性的特点,如状态变量为热量、位置或控制变量为温度、距离等,无法直接利用标准强化学习求解。

为了解决强化学习中连续变量问题,改进算法必须满足鲁棒性、完整性及正确性等要求,需从以下几个方面考虑[13]。首先,模型无关问题。针对离散问题,大部分情况下可以较容易的建立系统数学模型,利用基于模型的数值算法求解。而连续变量问题,一些模型参数则难以获取或计算过于复杂,如系统转移矩阵等,因此改进的强化学习算法必然要不依赖于模型参数。其次,存储问题。在离散情况下采用表格形式存储状态值函数v(s)或状态行动值函数Q(s,v(s)),大规模问题则需要大量的空间,存在“维数灾”问题。因此,如何通过有限参数来实现连续状态-连续行动值函数的存储及学习更新问题,是值得探讨的问题。第三,连续性问题,最优控制策略的执行行动必须随着状态的变化而平滑变化,不能出现跳跃的情形。第四,状态和行动的泛化问题,即较好地实现近似状态或行动的泛化,减少在状态空间或行动空间的探索。第五,行动的探索和利用问题。对于连续的空间,如何高效的平衡行动的探索和利用,加快学习进程和提高算法效率是一个重要问题[9,14,15,16]。

2 离散化和值函数逼近方法

针对连续状态连续行动强化学习算法面临的主要问题,许多专家学者给出了一些有效地解决方法,可以分为两大类:离散化和值函数逼近[9]。离散化方法是利用一定的技术手段把连续空间分解为有限的离散空间[17,18],通过表格形式一一对应存储状态值函数v(s)或状态-行动对值函数Q(s,v(s))。而值函数方法则利用一些逼近结构(如神经网络、Tile Code、树等)逼近表示状态值函数v(s)或状态-行动对值函数Q(s,v(s)),逼近结构的输入为状态、行动等变量,输出为相应值函数。无论是离散化方法还是值函数逼近方法,都需要考虑的是值函数的学习和存储两大方面问题。

2.1 离散化

离散化方法是解决连续变量值函数问题最为直接的手段,目前存在许多不同的离散化技术,可以根据不同的分类标准进行分类,如监督和非监督、动态和静态、全局与局部、直接与递增等。因此,可以根据研究对象、结构特征等具体问题选择合适的离散化方法。

对于连续状态空间变量问题,离散化方法基本出发点是实现状态聚类,即以一定的标准或规则把若干连续的状态近似为一个状态,将该状态下的决策控制应用于其近似状态中。因此,离散化方法的选择取决于状态性质特征。等间距的均匀离散化方法或非监督离散方法只适应于连续变量状态性质均匀变化的问题,但存在离散粒度难以控制的缺点,粒度过粗造成信息丢失,粒度过细造成状态个数随粒度指数增长“维数灾”问题。因此,产生了一些自适应变间距的离散方法。文献[18]将连续U型树技术应用于连续空间离散,该方法就是一种变间距离散技术,采用回归树实现状态值的存储。文献[19]提出了一种基于节点生长k-均值聚类算法的自适应离散划分方法,该方法使用聚类算法的聚类中心表示离散状态,随着学习的进行而调整聚类中心或添加新聚类中心。文献[20给出了一种自适应向量量子化方法,不需要预先知道环境信息,通过主体与环境的交互实现连续状态空间的划分修正。文献[21]和[22]则分别提出了基于高斯过程分类器和基于核方法的连续空间的强化学习方法。

对于连续行动问题,离散方法会带来与连续状态空间问题面临的同样难题。另外,连续行动的离散化还存在行动探索和行动利用之间矛盾问题,严重影响着优化算法的收敛速度以及最终优化结果的精度,甚至导致优化算法收敛到局部最优解。因此,强化学习中的连续行动离散化面临更大难题。文献[23]利用“Adaptive Multistage Sampling”技术实现连续行动的离散化,即根据样本数量确定离散化粒度。而文献[24]在文献[11]基础上,将变分辨率的离散化思想应用于连续空间和连续行动Markov决策过程优化控制问题。针对联合状体-行动空间,给出了随优化过程进行而变化的分割准则。对于行动的探索和利用矛盾问题,大多数文献都采用的Boltzamann方法,文献[14]则提出了自适应行动修正方法,它利用当前状态-行动空间上学习得到的离散、二元决策策略确定增加或减少当前来连续行动值函数。

总之,一般的离散化方法存在泛化能力差、离散粒度难以控制等缺点;而自适应离散化方法固然一定程度上克服了离散粒度选择和变量泛化问题,但离散化带来的状态和行动存储空间“维数灾”、连续状态中任意状态的控制、连续行动中的行动探索和利用矛盾、每个状态下的精确控制等问题依然难以克服。而一些参数化方法基于非线性学习逼近能力强、泛化能力强、结构简单等特点,可有效克服离散化方法的一些缺点。

2.2 值函数逼近

值函数逼近是人工智能领域的一种重要技术[3,10],它运用神经网络、多项式逼近器、树、线性回归机等一些参数化结构逼近表示强化学习中的状态-行动Q值函数或状态值函数,替代传统方法中的表格形式。该类技术充分发挥神经网络、线性回归机等结构的非线性逼近能力强、泛化能力强、结构简单等特点,有效克服传统方法的不足,即大规模系统中表格存储表示带来的“维数灾”、无法表示连续状态或连续行动值函数等难题。

从值函数逼近的基本思想出发,解决连续状态或行动强化学习可以分为两类方法。第一类方法首先将连续状态或行动转化为离散状态或行动,然后利用值函数逼近结构实现状态-行动Q值函数或状态值函数的表示。该类方法利用一些逼近结构比较简单,逼近结构的相关参数远远小于状态-行动或状态的个数,从而克服大规模系统中“维数灾”难题。第二类方法利用逼近结构的输入可以为连续变量,直接实现状态-行动Q值函数或状态值函数的逼近表示,从而可以实现任意状态下的精确控制。强化学习的参数化优化分为Critic、Actor和Critic-Actor三种模式,其中Critic-Actor模式是前两种模式的综合[1]。Actor-Critic的研究最早源于文献[25和文献[26]等,它是解决强化学习问题最为常见的一种值函数逼近方法,选择一种逼近结构作为Actor用于行动选择,而选择另一结构作为Critic用于值函数的逼近表示。另外,其与动态规划有效结合形成了一种解决该类问题的新方法-神经元动态规划[13]。本文将介绍一些值函数逼近的常用逼近结构及实现,如BP网络、CMAC等。

2.2.1 BP网络

BP(Back Propagation)网络是目前使用最为广泛的神经网络,它是由Rumelhart、McCelland等科学家在20世纪80年代提出的[27]。BP网络在结构上是一种多层感知器或多层前向网络,包括输入层、隐含层(一层或多层)、输出层。它采用梯度下降方法试图最小化网络输出值和目标值之间的误差平方,从输出节点开始反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。

Actor-Critic模式分别采用两个网络进行行动选择和值函数的逼近[1,28,29]。假设Actor网络的权值参数为θ={θ1,θ2,…,θn},Critic网络权值参数为w=(w1,w2,…,wm),n、m分别为Actor、Critic网络权值个数。Critic网络输出状态-行动值函数记为Qθ,其计算公式为:

φjθ(s,a)是依赖于Actor网络的Critic网络输入,Critic网络权值更新公式为

βt为学习步长。Actor网络权值更新公式为

ρt为学习步长,Г(wt)标准化因子,Ψθ与Фθ关系参见文献[32]。

2.2.2 小脑模型关节控制器

小脑模型关节控制器(Cerebelllar Model Articulation Controller,CMAC)是由Albus于1975年根据小脑的生物模型提出的一种神经网络[30],是一种基于表格查询式输入输出多维非线性局部逼近神经网络。它具有结构简单、泛化能力强、收敛速度快、容易实现等特点,在函数逼近、信号处理、模式识别及控制等领域有着广泛的应用[31,32]。

CMAC由输入X、虚拟层神经元(AC)、实际层神经元(AP)、输出Y等构成。它的输入可以是多维连续的矢量,每个输入矢量被量化,映射到虚拟层神经元,并激活其中的C个单元(C称为网络的泛化参数),被激活的单元输出为1,未被激活的单元输出为0。对于输入相近的两个点,则激活的单元将会出现部分重叠,输出也将相近。考虑到记忆单元随着输入空间增大而不断增大,因此一般将虚拟层神经元压缩变换再映射到实际层神经元,而实际层神经元则存储着不同网络权值。对应于虚拟层神经元中被激活的C个单元,实际层神经元也将被激活C个单元,该C个单元的网络权值加权和即为网络输出Y。CMAC网络运用Widrow-Hoff规则更新网络权值,其公式为:

其中WX={wX,l,…,wX,c}为输入样本X对应的c个记忆单元的权值向量,c为CMAC的泛化参数,ζ为学习步长,yd为期望输出,y为网络的实际输出。

本文采用CMAC网络实现离散状态-连续行动Q值函数逼近,网络输入为系统状态或行动,网络输出则为Q值函数。每一个系统状态对应一个CMAC网络,网络输入记为行动d,输出为Q(i,d,wi)(wi为状态i对应的网络权值向量),其计算公式为

h为输入变量d所激活存储单元的首地址。参照公式(9),网络权值更新公式为

ζ为学习率,ct为Q值函数的即时差分值。根据Sarsa学习,可以获得ct学习公式为

wst为状态st下采用行动at激活的权值向量。

对于连续状态或连续行动强化学习中的参数化逼近,还包括一些其他不同的结构或方法,如SVM、tile code、self organizing map等,这里就不在一一叙述。

3 总结与展望

随着强化学习在许多领域的广泛应用,考虑到各类系统存在的连续或混合状态、行动的实际情况,连续状态-连续行动强化学习方法已成为该领域研究热点之一。在该类方法中,主要研究连续状态-行动值函数的参数化逼近和表示问题,以克服传统离散化方法存在的离散粒度有时难以控制或过细离散化带来的“维数灾”难题,同时解决连续行动空间探索和利用之间的矛盾问题,从而加快算法的学习收敛速度。目前,虽然已经存在了许多连续状态-连续行动强化学习方法,但在解决一些实际问题时还存在局部极值、过度拟合、泛化不够等缺点。因此,参数化逼近结构的选择问题、连续行动空间探索和利用之间的矛盾等问题依然是强化学习领域未来值得探讨和研究的热点之一。

连续学习篇2

活动目标：

1.复习双脚连续向前跳，学习双脚连续向侧跳的动作。

2.培养幼儿对玩自制运动器械的兴趣。

3.培养幼儿友好合作的优良品质。

4.通过活动锻炼幼儿的跳跃能力，让他们的身体得到锻炼。

5.培养幼儿对体育运动的兴趣爱好。

活动准备：

1.自制的与幼儿人数相等的纸盘。

2.四面红色的小旗。

活动过程：

一、开始部分

1.小朋友，我们手里拿的是什么?(引导幼儿说出运动器械的名称)

这可不是一块普通的纸盘，而是一块神奇的魔盘，是我们锻炼身体的好朋友，今天我们就去好好地探索。(带领幼儿去活动场地)

二、基本部分

1.小朋友，你们能想出玩纸盘的方法吗?比一比看谁的办法最多。

2.幼儿自由玩纸盘，重点指导幼儿双脚连续向侧跳。

3.小朋友，我们除了用纸盘连续向前跳，还可以怎么跳?[快思老师.教案网出处](让幼儿猜想还可以怎么使用纸盘)

对了，跳的方法很多，今天老师就教你们一个新本领——双脚连续向侧跳。(说出活动的名称)

4.教师讲解示范动作。

小朋友，我们学这个新本领要双手插腰，双腿弯曲，侧着身子对住纸盘，起跳时要注意双脚同时起跳。

5.幼儿自由练习，教师巡回指导。

6.游戏：夺红旗。

小朋友，现在我们就用新本领来玩夺红旗的比赛喽。

教师讲解比赛方法和规则。

幼儿分为四个纵队站在同一起跳线上，由起点跳到终点摸一下红旗往回跳，与第二个幼儿击掌后，幼儿方可进行比赛，依次进行，哪组幼儿最后一名先拿到红旗为胜者。

三、结束部分

教师小结讲评，表扬能干、有尝试精神，积极参加活动的幼儿。

教学反思：

设计这个活动主要是锻炼幼儿动作的灵敏性、团结合作的精神。活动中，我先讲解了双脚连续向侧跳的要求，并示范给幼儿看，并让幼儿自由练习一段时间，在这段时间里，我发现有的幼儿还不是很灵活地跳过纸盘，而且动作不是很协调，练习之后，我让他们玩了一个夺红旗比赛的游戏，幼儿都很积极参与，并能够与其他同伴合作，表现得很好。活动让幼儿锻炼了身体，也让他们知道要团结才能取得胜利。当然，活动中的缺点，我会努力改进，争取让幼儿获得更多的效益。

连续学习篇3

关键词：连续性文本；非连续性文本；转化运用；策略

【分类号】G623.2

非连续性文本在小学阅读教学中的应用，是增加新课程标准的时代意义。非连续性文本具有较强的实用价值与时代特征，使得学生具有较强的阅读能力具有丰富的阅读体验。不仅仅在阅读教学中，在社会生活中，非连续性文本也具有重要的意义，是每个社会活动中的人都需要具有的能力，例如地图、说明书等等都需要我准确的解读，因此，在小学语文阅读教学中，就要开始培养学生的非连续性文本的阅读能力，将一些连续性文本有效的转化为非连续性文本，激发学生的阅读兴趣，激发学生的学习动机，培养学生的思维能力。提升阅读教学的有效性，本文结合笔者自身的教学经验，对连续性文本与非连续性文本的转化做出相应的探讨。

一、连续性文本与“非连续性文本”转化案例

案例一：三年级下册《燕子专列》

课文内容：有一年春天，在欧洲瑞士的一个车站，一列漂亮舒适的空调列车正准备启程，站台上站满了送行的人，他们送的是一批特殊的客人——燕子。燕子是候鸟，能长途飞行，怎么还用专列送呢？ ……瑞士政府知道了这个情况，决定用火车把这些燕子送到温暖的地方。教师可以设计一张燕子乘车的图片类似于人类的火车票，上面标注有乘车的时间、车次、目的、价钱等等。这是燕子的火车，教师要求学生根据文章内容，提出一些问题，要求学生进行填空。

在这种“非连续性文本”的考察中，是将短文中的信息即“连续性文本”转化为图画中的信息，进行信息的有效筛选。在思考这种问题的时候，需要学生对非连续性文本中的信息进行筛选与整合，与文本中的有效信息进行对比填空。在这个题目中，将学习知识与生活实际紧密的结合起来，将连续性文本转化为“非连续性文本”，特别是在学生填写票价的时候，文本信息中，没有直接说出票价是多少需要学生从文本中得到票价是零元。

案例二：四年级上册《长城》

课文内容：城墙顶上铺着方砖，十分平整，像很宽的马路，五六匹马可以并行。城墙外沿有两米多高的成排的珠子，垛子上有方形的望口和射口，供口望和射击用。城墙顶上，每隔三百多米就有一座方形的城台，是屯兵的堡垒。

教师根据这些教内容，设计长城的平面图，引导学生根据图片内容，填出下列问题。

1.（1）代表（2）代表（3）代表

A. 城台 B. 隙望口 C. 城墙

2 . 第一题目中的那些组成部分的作用是什么呢？

在这一题目中，主要考察的是学生对图形中的方位、图形的辨别，能在图形中找出相应的信息与文章的内容进行比对，筛选出用用的信息，进行文章的理解。

二、连续性文本与“非连续性文本”的转化策略

“连续性文本”与“非连续性文本”的内容呈现方式是不同的，在转化的过程中，需要一定的教学策略，引导学生在阅读中寻求有价值的信息，提升阅读教学的有效性。

1. 要筛选出有价值的信息

在非连续性文本中，比较常見的呈现方式是图表。在图表的阅读中，主要要注意以下几项：标题是整个非连续性文本的概括，是非连续性文本的主题，例如《圆明园平面结构图》，学生一目了然，这篇课文是学习圆明园的有关知识，这是关于圆明园的平面结构图。（2）在图表的阅读中，要注意标清门类，分清类别，指明方位，哪边是北，哪边是南，我们才能迅速的获取知识，与文本信息进行整合与对比。（3）在进行非连续性文本的解读时候，要得出相应的结论，例如圆明园的平面结构图中，长春园在那个方位，惜春园在那个方位，引导学生从文本中获取相应知识。（4）在图表解读中，对于得到的信息，要重新的理解与整合，将图表与文本信息进行比对，帮助学生有效的筛选信息，引导学生有效的整合结论。

2. 引导学生进行信息的整合

常见的非连续性文本还有图片如何从图片中进行信息的整合呢？以四年级上册《爬山虎的脚》这篇课文为例，根据课文内容，给学生呈现爬山虎的简笔画图片，根据文段的描述与图片的内容，让学生选择该图片中，爬山虎爬的状态是什么，你是如何判断的？图片中的每片叶子代表的都是什么？你觉有没有画错的地方。在这种图片的信息整合中，主要考察学生对信心的筛选与整合，以及对图形的辨析，在解答这个问题的时候，学生对文本中爬山虎的形状、状态、叶子等等要有清晰的认识并且进行信息的整合。

3.尝试简单推论

在学生学会整合信息的基础上，可以引导学生学会进行简单的推论。如可以给学生提供课外的文章《湿园虫怎么寻找食物》这篇课文，在进行非连续文本的整合的时候，需要对文章中的内容进行规划：实验的材料、现象、结论以及寻找食物的轨迹。引导学生做出相应的判断食物放在盒子的左边还是右边是正确的？学生为了解决这一问题，需要对文章的内容有大致的了解，然后得出相应的结论，湿园虫是利用触角感觉食物的。

总而言之，在日常的教学中，要注意非连续性文本的转化，并且善于将连续性文本转化为非连续性文本，调动学生将各种感官投入到学习中去，将文字与图形、图表等紧密的结合起来，培养学生的理解能力、分析能力、实践操作能力、想象能力与形象思维的能力，培养学生的学习素养，提升学生的学习能力，挖掘学生的学习潜能，培养学生的逻辑思维能力，提升小学阅读教学的有效性，提升学生的的阅读能力。

参考文献：

[1]中华人民共和国教育部. 语文课程标准（2011 年版）[S]. 北京：北京师范大学出版社，2011.

[2]叶平编译. Pisa 阅读素养及其测评[M].湖北：湖北省教育科学研究所，2011.

[3]巢宗祺.义务教育语文课程标准（2011 年版）热点问题访谈[J]. 人民教育，2012.6.

连续学习篇4

一、挖掘教材, 情境中认知

非连续性文本的核心目标是习得方法, 形成能力。实践出真知, 而实践的重要依托是教材, 作为语文老师要注重创设学习情境, 营造学习氛围, 立足教材, 挖掘非连续性文本资源, 从而有效培养学生对非连续性文本方面的认知及阅读能力。

如我在人教版五年级上册第五单元综合性学习《遨游汉字王国》之《我爱你, 汉字》版块的教学中, 首先模拟当下热播的《中国汉字听写大会》节目导入本次综合性学习, 让学生听写并纠正易错的汉字, 开展听写竞赛, 小学生好胜心强, 对汉字王国产生了浓浓的探索兴趣。随之, 我请学生观看汉字的演变视频, 学生们明白了汉字是世界上最古老的文字, 有其自身的造字规律, 每一个汉字都有一个故事, 每一个汉字都是一段历史。之后, 我趁热打铁, 出示教材中的汉字演变图表, 请学生讨论交流:从图表中你发现了汉字演变的哪些规律, 然后根据图表说说汉字演变的过程。这样, 学生们有了刚才情境创设的情感及认知铺垫, 很容易地从图表中获取信息, 进行分析比较, 感受到了汉字的文化内涵和演变传承, 发现了汉字的演变由笔画较多向笔画简单演变, 汉字的书写更加便捷等规律, 得出自己的结论。在本课的教学中, 笔者能把握契机, 创设情境, 紧扣捕捉信息进行教学, 学生对非连续性文本有了自己的认识。

二、整合学科, 拓展中得法

非连续性文本阅读能力的培养不一定基于教材, 更要高于教材, 超越教材。阅读教学内容的延伸, 可以举一反三, 触类旁通, 可以是语文范畴的, 可以是引进其他学科内容辅助教学, 也可以是引入生活中的内容教学等。非连续性文本中的图表数据等在其他学科的学习中也频繁出现, 作为语文老师可以打破学科界限, 挖掘其他学科的文本为我们所用。

如在人教版五年级下册第六单元综合性学习《走进信息世界》之《信息传递改变着我们的生活》版块的教学中, 为了加深学生对“丰富多彩的信息世界, 信息传递方式的变化”等内容的理解, 学会搜集和处理信息, 我们可以借用《品德与社会》四年级下册第五单元“穿越时空的生活”第三个主题“多姿多彩的传媒世界”中的图文等非连续性文本, 结合语文教材内容进行讨论思考:从古至今有哪些信息传递的方式?这些信息传播的方式有什么优缺点?之后, 小组合作设计填写信息传媒种类的对比图表, 图表中包含时间、传媒种类、优点、缺点、适用范围等因素, 还可以请学生调查家人获得的信息及渠道, 并填写调查记录表, 调动学生阅读探索的兴趣, 发展了学生思维, 进行了创造性实践, 领会了文本的内涵。本次综合性学习中, 我们还可以结合信息技术学科, 请学生阅读信息技术课本上的电脑发展进程图表, 自己动手操作电脑, 引导学生绘制传媒世界的“非连续性文本”电脑小报, 感受现代信息传输的方便快捷, 亲身体验媒体网络世界的神奇, 体会电脑更新换代的迅猛, 在“看图”中学会了“看图”, 有效提高了学生阅读非连续性文本的能力。

三、走向生活, 实践中提升

非连续性文本对于培养学生的生活能力有着良好的帮助, 教师要在语文综合性学习的教学中对非连续性文本进行有效拓展, 引导学生走向生活, 在实践中发展学生的创造性思维, 训练学生的思维能力, 提高学生提取分析信息的水平。

人教版六年级下册“综合复习”专题第8 课《看说明书做具小台灯》是非连续性文本因素很强的教材。在本课的教学中, 笔者先引导学生阅读教材, 边读边思考, 画下关键语句, 提取小台灯说明书中几点有价值的信息, 并在小组中述说制作台灯的要领;再请学生按要求准备材料, 进行实际操作, 互动评价作品, 整合有用的信息, 选择修改方法, 使每个学生都能成功制作小台灯;最后梳理出阅读说明书的方法, 即通读文本, 完整把握, 提取关键, 分析判断, 归纳整理, 得出结论。之后, 我趁热打铁, 进行相关的写作拓展延伸, 让学生走进超市, 寻找自己喜欢的物品, 观察它们的包装、示意图等, 为它们写份说明书, 设计名片。这样学生从看懂到学会写说明书, 在积极主动的参与中, 在读读做做、实践体验中感受了语文学习的独特魅力, 既学习了言语的表达, 又掌握了非连续性文本阅读的方法, 综合提升了阅读非连续性文本的能力, 实现了质的飞跃, 受益无穷。

参考文献

[1]义务教育语文课程标准 (2011版)

绿豆连续观察日记篇5

我一回家，赶紧找来一个纸杯，然后放了一点水，这时妈妈说：你先猜猜，这个绿豆是沉，是浮?我想了想说：”浮“。妈妈说：”那你验证一下你的猜想吧!“我听了，抓了一把绿豆放入水中，哇! 沉一下去了，还好，我做了这个实验，要不然，我还真不知道呢!

每二天，一放学，我就急不可待的跑回家，我发现绿豆把水上喝得太多了，肚子胀得圆圆的，胖胖的。把它外面的衣服都胀破了。

第三天，绿豆已长出了芽，像戴着绿帽子的小蝌蚪一样，真可爱!水的颜色也变成了深色的了，我仔细一闻，杯内还散发出一种淡淡的清香呢!

第四天，绿豆们已经完全脱下了外衣，身体变得更胖了，活像一个小胖子，十分招人喜爱。而水的颜色已变成墨绿色了，我不禁拿了一个放在嘴里一咬，哇!好脆哟!还有点甜甜的味道呢!看着这一个个像扎着马尾辫的”小胖丫“，我开心极了!我心想：小胖丫!快快长大吧!

连续创业是乐趣篇6

对于大多数企业家而言，只要经营好一个企业，一次创业成功，便足以功成名就。然而，并非所有的企业家都是这样，当前的中国正在悄然出现一批“得陇望蜀者”，他们被称为“连续创业者”，他们对创业上瘾，不仅创立公司，而且不断地创立——成功——创立，他们始终充满了激情和创意，他们利用自己在行业内的地位和敏锐的商业嗅觉，灵敏地察知下一个商机，不断地投身于一个又一个的创业企业。比如像沈南鹏、季琦、唐越等人。

“连续创业者”在如今已不罕见，这些人似乎从来不愿意等待一个企业完全成熟，在投资目标上，他们有着土狼般不断寻找新猎物的性格，拥有如猎豹般的犀利眼光。尽管他们完全可以待在原有企业，将企业带上更高的平台，但对他们而言，迎接不可知的挑战，才是创业的最大乐趣。

他们的成功与辉煌让人惊羡，大多只“各领风骚三五年”。但这个难以熄灭创业激情的人群，值得后来者好好地研究。

冷静地分析这些人的时候，我们发现敢于冒险、拥有激情、乐于探索，接受挑战是这群创业贵族的共同所在。连续创业者们享受的是工作的乐趣、享受创业的过程，如果给他们很大一笔钱，却无事可做，那反而是对他们的最大折磨。

“有时候，‘人生’会用砖头打你的头。不要丧失信心。我确信，我爱我所做的事情，这就是这些年来让我坚持走下去的唯一理由。你的工作将填满你人生的一大部分，唯一获得真正满足的方法就是做一件自己相信是伟大的工作，而唯一做伟大工作的方法是爱你所做的事。”正是凭着对工作的热爱，王定标创办的多家企业成为各自领域的佼佼者。“如果我对一件事情没有激情，我是绝对不会去做的。”季琦亦表示。而正是这种激情，诞生了携程、如家以及力山投资。“新投资行为本身就是一个高风险的事情，但好在我们本身习惯于这种不确定性的环境，喜欢这种不确定性，这就是我们的兴趣。”正是由于喜欢不确定，唐越将自己的下一个目标选定在投资。

做一个成功的连续创业者必须要具备以下特质：第一，要有激情和野心，没有激情的人有可能成为不错的职业经理人，但成不了优秀的创业者；第二，创业者需要创新，而创新又分两种，一种是自己想出一招半式，另一种是借鉴别人的成熟模式；第三，创业者内部要形成良好的团队精神。

这些成功的连续创业者之所以能够不断地创业、不断地取得成功，较之初次创业的人士，至少有三方面的优势：其一是初始资本。作为此前成功创业的回报，这些连续创业者通常都已经有了一定的资本积累，从而在开始下一番冒险时可以自己承担相当部分的投入，而并不用急于去寻找外部投资。其二是成功的经营经验。创业是一项充满了未知挑战的系统工程，只有那些亲身经历过的人才更明白如何应付各种危机。其三是良好的人脉资源。在行业内的成功经历让他们更易于与人合作。正是这些优势使得连续创业者们更容易获得投资者的信赖，从而增加了“连续成功的机会”。

为帮助本刊改进质量，请告诉您对这篇文章的看法。