導(dǎo)語：如何才能寫好一篇分子生物學(xué)概要，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

一、分子生物學(xué)適合開展雙語教學(xué)

目前，普通院校的多媒體等教學(xué)條件有了較大改善，網(wǎng)絡(luò)教學(xué)資源也變得日漸豐富，這些都為分子生物學(xué)的雙語教學(xué)提供了有力的硬件支持。同時，隨著生物學(xué)的快速發(fā)展，越來越多的高層次生物學(xué)人才走上了普通院校的講臺，一定程度上為普通院校分子生物學(xué)的雙語教學(xué)提供了師資保障。根據(jù)教學(xué)大綱的要求，我校《分子生物學(xué)》課程的雙語教學(xué)開設(shè)時間為大三第二學(xué)期，但統(tǒng)計表明此前僅50%的學(xué)生通過國家大學(xué)英語四級考試，學(xué)生總體英語水平偏低，尚未滿足全英文教學(xué)的要求。如果這時對《分子生物學(xué)》課程進(jìn)行全英文教學(xué)，會讓相當(dāng)一部分學(xué)生難以接受復(fù)雜的分子生物學(xué)知識，使得學(xué)生不僅英語沒長進(jìn)，專業(yè)知識也是一知半解，最終導(dǎo)致全英文課堂教學(xué)流于形式而達(dá)不到應(yīng)有的教學(xué)效果。采用全中文講授分子生物學(xué)課程顯然不能滿足當(dāng)今社會對分子生物學(xué)尖端人才的要求。試想，在分子生物學(xué)飛速發(fā)展的今天，如果學(xué)習(xí)者只懂母語而不懂英語報道的學(xué)科發(fā)展、學(xué)術(shù)成果等，又如何跟蹤學(xué)科的最新進(jìn)展呢？總的來說，教學(xué)師資、學(xué)生的英語水平以及分子生物學(xué)發(fā)展的需要，都決定了《分子生物學(xué)》課程符合開展雙語教學(xué)的學(xué)科和課程特征。

二、分子生物學(xué)雙語教學(xué)的初步實踐

我校生物工程專業(yè)是湖南省重點資助專業(yè)，筆者自2012年開始對本專業(yè)的分子生物學(xué)進(jìn)行了雙語教學(xué)嘗試，現(xiàn)將初步教學(xué)實踐分述如下：

1.教學(xué)大綱的調(diào)整和教材的選用。

鑒于分子生物學(xué)雙語教學(xué)與全中文授課的差異，我們首先重新修訂了《分子生物學(xué)》雙語教學(xué)大綱，并對教學(xué)內(nèi)容和教學(xué)進(jìn)度做了適當(dāng)調(diào)整。在緒論中增加了分子生物學(xué)常用專業(yè)英語詞匯介紹，以彌補(bǔ)學(xué)生專業(yè)英語詞匯量的不足。同時，分子生物學(xué)雙語教學(xué)的關(guān)鍵問題之一是要選用一本合適的英文版教材，因為原版英文分子生物學(xué)教材常常令學(xué)生感到晦澀難懂。因此，筆者編寫了對原版教材加以注釋的講義，以保持英文的“原汁原味”，兼容中英文教材的優(yōu)點，對分子生物學(xué)專業(yè)術(shù)語和詞匯增加中文注釋，書后輔以中英文詞匯對照表，每章開始部分增加中文概要，以方便學(xué)生理解和掌握教學(xué)要點。從多年的分子生物學(xué)雙語教學(xué)實踐來看，使用效果比較理想。

2.循序漸進(jìn)的教學(xué)過程和多樣化的教學(xué)方法相結(jié)合。

在進(jìn)行分子生物學(xué)雙語教學(xué)過程中，鑒于剛開始時大部分學(xué)生都感覺有一定的難度，我們在最先常采用英文板書與中文講授為主相結(jié)合的方法，用英文講授那些較為淺顯易懂的內(nèi)容，而重點和難點以及那些用英語解釋太復(fù)雜而漢語解釋又顯得簡潔明了的內(nèi)容，則用中文講解。當(dāng)學(xué)生的專業(yè)詞匯量逐漸擴(kuò)大和英語水平慢慢提高，尤其是待學(xué)生逐步適應(yīng)以后，再不斷提高英語講授的比重，最后過渡到以英文教學(xué)為主。對于分子生物學(xué)的一些實驗技術(shù)等案例教學(xué)一般也采用中文的方式。通過循序漸進(jìn)的教學(xué)過程和多樣化的教學(xué)方法，能有效提高分子生物學(xué)雙語教學(xué)的實際效果，進(jìn)而避免雙語教學(xué)流于形式。

3.運(yùn)用多媒體等現(xiàn)代教學(xué)手段加大課堂信息量。

我?！斗肿由飳W(xué)》總共56學(xué)時，采用雙語教學(xué)后并沒有增加學(xué)時，全英文版的書面材料和中英文雙語講授使得教學(xué)進(jìn)度緩慢，不僅讓教師的課堂授課量受到影響，難以按時完成教學(xué)任務(wù)，也常常讓學(xué)生接受的信息量偏少。對此，本人在鉆研教材和相關(guān)教學(xué)參考資料的基礎(chǔ)上，精心制作好多媒體英文課件，課堂上借助于PPT的使用，不僅讓課堂教學(xué)內(nèi)容變得豐富與生動，也可大大增加課堂教學(xué)的信息量；同時，還可以節(jié)省大量的板書時間，適當(dāng)加快課堂教學(xué)節(jié)奏，保證按時完成教學(xué)進(jìn)度和教學(xué)任務(wù)。課后將PPT課件及時傳到班級QQ群共享，以方便學(xué)生課后學(xué)習(xí)使用。

4.注重課后雙語練習(xí)，改革考核方式。

分子生物學(xué)雙語教學(xué)實踐既是對教師的挑戰(zhàn)，要敢于擔(dān)當(dāng)，同樣對學(xué)生亦是一種挑戰(zhàn)，要勇于面對。由于受教學(xué)大綱的要求限制了雙語教學(xué)的課堂教學(xué)時數(shù)，這必然要求師生在課內(nèi)外都要多花時間和精力。一方面教師課后要精心備課答疑，構(gòu)建習(xí)題庫上傳到班級QQ群，供學(xué)生課后復(fù)習(xí)交流使用；另一方面學(xué)生課后要及時預(yù)習(xí)、復(fù)習(xí)鞏固課堂所學(xué)知識。我們經(jīng)常要求學(xué)生課后閱讀或翻譯教師指定的英文參考資料來鞏固復(fù)習(xí)專業(yè)術(shù)語以及一些相關(guān)的專業(yè)知識。每次上課前，教師安排一定時間對上次作業(yè)情況進(jìn)行檢查點評，由復(fù)習(xí)舊課要點導(dǎo)入新課的教學(xué)內(nèi)容。我們不僅注重課內(nèi)外的雙語練習(xí)，還結(jié)合分子生物學(xué)雙語教學(xué)的特點調(diào)整了課程考試形式，如采用中英文結(jié)合制定期考試卷（英文占40%以上），其中，填空、名詞解釋及選擇等題型部分用英文制卷，并要求部分題目用英文解答。

三、加強(qiáng)分子生物學(xué)雙語教學(xué)的有效措施

綜上所述，目前分子生物學(xué)雙語教學(xué)中普遍存在的問題主要表現(xiàn)在：高素質(zhì)雙語教學(xué)師資隊伍欠缺，教學(xué)方法陳舊；學(xué)生對雙語教學(xué)方式的興趣不濃厚，不及時熟悉英文教材；雙語教學(xué)管理欠科學(xué)、教學(xué)考核手段傳統(tǒng)單一。總之，分子生物學(xué)雙語教學(xué)的質(zhì)量有待進(jìn)一步提高，具體措施如下：

1.加強(qiáng)分子生物學(xué)雙語教學(xué)師資隊伍建設(shè)，不斷提高授課教師英語水平。

要想取得分子生物學(xué)雙語教學(xué)的預(yù)期教學(xué)效果，首先就要有一支專業(yè)能力和英語水平都較強(qiáng)的教師隊伍。為了分子生物學(xué)雙語教學(xué)教師的英語水平，一方面現(xiàn)有雙語教學(xué)主講教師要積極主動參與外語培訓(xùn)，可以由學(xué)校有計劃地安排相關(guān)教師到雙語教學(xué)經(jīng)驗豐富的學(xué)校參加教學(xué)觀摩，或分批選派雙語教學(xué)教師到相關(guān)外語學(xué)院進(jìn)修，或聘請教學(xué)經(jīng)驗豐富的外語教師進(jìn)行口語訓(xùn)練，有條件的學(xué)校還可以把教師送到國外培訓(xùn)，以提高其英語授課水平。另一方面學(xué)校要積極創(chuàng)造條件引進(jìn)雙語教學(xué)師資，如采取相對優(yōu)惠的政策以吸引國外留學(xué)人員來校任教，或邀請相關(guān)國外專家學(xué)者承擔(dān)部分雙語教學(xué)課程，如我校在2013年邀請湖南省海外名師、美國衛(wèi)生研究院研究員肖調(diào)江教授為生物工程專業(yè)2010級本科生講授遺傳學(xué)課程，相關(guān)雙語教學(xué)教師通過全程觀摩教學(xué)，較大地提高了雙語教學(xué)能力。

2.加強(qiáng)分子生物學(xué)雙語教學(xué)用教材的管理，保障雙語教學(xué)因材施教。

針對普通院校目前雙語教學(xué)存在的主要問題，分子生物學(xué)主講教師應(yīng)該盡可能選擇通俗易懂與國際同步的最新教材，條件允許的盡可能結(jié)合學(xué)生實際編寫雙語配套教材，如與原版英文教材配套的講義，輔以相應(yīng)習(xí)題講解，并上傳至班級QQ群以及教師教學(xué)空間，以方便學(xué)生課后隨時參考和學(xué)習(xí)。同時，針對地方本科院校學(xué)生英語基礎(chǔ)普遍較差的現(xiàn)象，主講教師還可以制作授課視頻和收集相關(guān)音像資料等輔助教學(xué)材料，并將課題組成員的上課過程進(jìn)行錄像，方便學(xué)生課后自學(xué)，進(jìn)一步提高學(xué)生的英語聽說能力。

3.改革傳統(tǒng)教學(xué)方法，實現(xiàn)分子生物學(xué)雙語教學(xué)手段的多樣化。

同母語教學(xué)一樣，教學(xué)方法和手段也是實現(xiàn)分子生物學(xué)雙語教學(xué)教學(xué)目的的重要保障。教學(xué)方法的發(fā)展變化主要體現(xiàn)在教學(xué)方法的綜合化、教學(xué)手段的媒體化和主體化。鑒于目前分子生物學(xué)雙語教學(xué)的課時嚴(yán)重不足，一方面，雙語教學(xué)的主講老師要努力提高傳統(tǒng)課堂教學(xué)的效果，如及時與學(xué)生交流、溝通，了解他們的學(xué)習(xí)興趣、效果以及學(xué)習(xí)過程中所遇到的主要困難和相關(guān)要求，以提高雙語教學(xué)效果。另一方面，主講老師還應(yīng)該充分利用QQ、微信等網(wǎng)絡(luò)資源，與學(xué)生及時開展網(wǎng)絡(luò)答疑等教學(xué)互動，這樣既可以及時掌握學(xué)生的課堂學(xué)習(xí)效果，也有利于教師及時把握教學(xué)方法，對于教學(xué)過程中的共性問題進(jìn)行分析總結(jié)，進(jìn)一步提高雙語教學(xué)效果。

4.加強(qiáng)分子生物學(xué)雙語教學(xué)的管理與支持，為雙語教學(xué)提供制度保障。

篇2

【關(guān)鍵詞】宮頸病變;HPV分型;HPV多重感染

doi:10.3969/j.issn.1006-1959.2010.05.107文章編號:1006-1959(2010)-05-1140-02

宮頸癌是女性生殖系統(tǒng)最常見的惡性腫瘤,HPV感染是宮頸癌發(fā)生的必要條件,HPV檢測技術(shù)極大的推動了宮頸癌篩查的進(jìn)展。我們分析了2008年9月至2009年8月在本院因?qū)m頸病變就診的144例患者的臨床資料,觀察用導(dǎo)流雜交基因芯片技術(shù)(flow-through hybridization and gene chip,HybriMax)檢測HPV分型與宮頸病變的關(guān)系。

1.材料與方法

1.1 研究對象:選取2008年9月至2009年8月因?qū)m頸病變就診于新疆腫瘤醫(yī)院且有臨床病理確診的患者144例,年齡分布23～80歲,中位年齡43歲,病理診斷結(jié)果慢性宮頸炎21例,CINI 21例、CIN1I～Ⅲ 50例,宮頸癌52例。HPV DNA檢測及組織病理學(xué)檢查采用雙盲法。

1.2 HPV檢測方法:采用HybriMax法檢測HPV基因型,包括6、11、16、18、31、33、35、39、42、43、44、45、51、52、53、56、58、59、66、68、81等21種HPV基因型。實驗步驟包括:樣本DNA提取,PCR擴(kuò)增,導(dǎo)流雜交,結(jié)果判斷(根據(jù)芯片上HPV基因型分布的相應(yīng)位點判斷為何種基因型)。

1.3 統(tǒng)計學(xué)處理:應(yīng)用SPSS16.0軟件包對數(shù)據(jù)進(jìn)行統(tǒng)計分析,各組間關(guān)系采用檢驗和秩相關(guān)檢驗。

2.結(jié)果

2.1 HPV檢測結(jié)果分析。144例受檢者中,陽性者87例,陽性率為60.42%。

表1 144例患者HybriMax法檢測HPV結(jié)果

宮頸病變總例數(shù)HPV陽性

例數(shù)百分率(%)

慢性宮頸炎21838.09

CINⅠ211047.62

CINⅡ-Ⅲ503570.00

宮頸癌523465.38

合計1448760.42

對以上結(jié)果進(jìn)行檢驗,P0.05,提示不同程度宮頸病變間HPV感染的差異有統(tǒng)計學(xué)意義;且進(jìn)行相關(guān)分析r=5.704,P=0.017,具有顯著性差異,提示宮頸病變與HPV感染有相關(guān)性。

2.2 宮頸不同病變組織中HPV型別及HPV多重感染情況。HybriMax法檢測144例宮頸病變患者中,陽性者87例,其中HPV16型陽性及包含HPV16型陽性者64例(占73.56%),多重感染者每種類型單獨計算,其他還包括52型7例,58型6例,18型3例,53、66、39、66、31型分別2例,33、56、45型分別1例。顯示宮頸病變HPV感染以HPV16型最為多見。

有HPV多重感染者11例,其中CINI 3例,CINⅢ 3例,宮頸癌4例,進(jìn)行統(tǒng)計學(xué)分析,P>0.05,表明HPV多重感染與宮頸病變嚴(yán)重程度無關(guān)。

3.討論

HybriMax法是目前最前沿的HPV分型檢測手段[1],已廣泛應(yīng)用于臨床。本文旨在探討HPV感染與宮頸病變程度及其發(fā)生的關(guān)系。

3.1 HPV概要。1933年人類首次發(fā)現(xiàn)人瘤病毒(HPV),1978年第1例生殖道HPV被鑒定[2]。HPV是一組雙股DNA病毒,屬乳多空病毒科。隨著分子生物學(xué)技術(shù)的發(fā)展,目前已確定HPV亞型超過200種,有54種可感染生殖道粘膜,按病毒致癌能力的大小分為高危組和低危組[3],低危型HPV主要引起良性外生性疣,宮頸上皮內(nèi)瘤變,高危型HPV中HPV16占50%,HPV18占14%。其中30多種與宮頸感染和病變有關(guān)。HPV的型別還與子宮頸癌的病理類型有關(guān),在子宮頸鱗癌中以HPV16為主(占51%),而在子宮頸腺癌中HPV18占56%[4]。本研究中以宮頸鱗癌為主,結(jié)果顯示HPV感染以HPV16型為主(占73.56%)。

3.2 HPV感染與宮頸病變程度的關(guān)系。國際癌癥研究中心(IARC)專題討論會(1995年)明確提出HPV感染是宮頸癌的主要危險因素。目前流行病學(xué)資料結(jié)合實驗室的證據(jù)顯示,HPV感染是誘發(fā)宮頸癌的首要啟動因素,HPV持續(xù)感染可能促進(jìn)宮頸從慢性宮頸炎狀態(tài)逐步進(jìn)展到子宮頸癌前病變的CINCINⅡCINⅢ,進(jìn)而發(fā)生子宮頸浸潤癌。本研究結(jié)果顯示HPV感染與宮頸病變程度呈正相關(guān),進(jìn)一步驗證了上述理論。

總之,對宮頸組織檢測HPV感染比觀察細(xì)胞學(xué)和病理改變意義更大,如能及早發(fā)現(xiàn)HPV感染就可以進(jìn)行早期干預(yù)和早期治療[7],有效地阻斷宮頸病變的發(fā)展和宮頸癌的形成,降低宮頸癌的發(fā)生率和死亡率。

參考文獻(xiàn)

篇3

    生物醫(yī)學(xué)工程(Biomedical Engineering, BME)是在生物醫(yī)學(xué)和工程技術(shù)交叉融合的基礎(chǔ)上發(fā)展起來的新興邊緣學(xué)科。該學(xué)科的迅速發(fā)展,大幅度提高了衛(wèi)生服務(wù)水平和患者生活生存質(zhì)量,促進(jìn)了相關(guān)領(lǐng)域科技進(jìn)步。我國有很多高校開設(shè)了生物醫(yī)學(xué)工程專業(yè),以滿足社會發(fā)展需要。生物醫(yī)學(xué)工程由于其學(xué)科交叉的廣泛性,因此該學(xué)科的課程特別多。普遍認(rèn)為該學(xué)科的主干課程至少包括電子信息類《電路分析基礎(chǔ)》《模擬電子技術(shù)》《數(shù)值電子技術(shù)》《微機(jī)原理》《單片機(jī)原理》《接口技術(shù)》等20余門,生物醫(yī)學(xué)類《解剖學(xué)》《生理學(xué)》《生理化學(xué)》《普通生物學(xué)》《細(xì)胞分子生物學(xué)》《康復(fù)工程學(xué)》《生物工程學(xué)》《臨床醫(yī)學(xué)概要》等30余門。課時總量超過3000學(xué)時。如果再加上《英語》《數(shù)學(xué)》《物理》等公共課程,總學(xué)時將會超過4000學(xué)時,遠(yuǎn)遠(yuǎn)超過了教育部人才培養(yǎng)方案的學(xué)時限制。在2012年教育部最新頒布的人才培養(yǎng)方案修訂要求4年制理工專業(yè)總學(xué)時控制2800左右。如此大量的課程在短短的4年學(xué)制內(nèi),無法有效地組織教學(xué)。雖然,各個學(xué)校結(jié)合自己教學(xué)特色進(jìn)行裁剪,但仍然面臨著課時不夠、學(xué)生負(fù)擔(dān)過重的問題。因此,為了有效地教學(xué)、提高教學(xué)效果、減輕學(xué)生負(fù)擔(dān),課程的優(yōu)化成為一個長期討論的熱點。毫無疑問,優(yōu)化課程應(yīng)該從學(xué)時多,內(nèi)容相似的課程著手。《微機(jī)原理》和《單片機(jī)原理與應(yīng)用》這兩門課都高達(dá)60學(xué)時而且還為壓縮后的學(xué)時,因此,成為優(yōu)化的重點考慮對象,也是教學(xué)研討會經(jīng)常爭論的話題。

    1 內(nèi)容相似性

    以往,《微機(jī)原理》和《單片機(jī)原理與應(yīng)用》這兩門課程是生物醫(yī)學(xué)工程專業(yè)的兩門必修課程,有近20年的歷史?！段C(jī)原理》以Intel的80i86為教學(xué)內(nèi)容作為嵌入式處理器學(xué)習(xí)的基礎(chǔ)課,而《單片機(jī)原理與應(yīng)用》以80C51為教學(xué)內(nèi)容作為嵌入式處理器學(xué)習(xí)實例的應(yīng)用課程。為我國培養(yǎng)了許多電子技術(shù)相關(guān)領(lǐng)域的科技人才。嚴(yán)格來說,這兩門課,一門作為基礎(chǔ),一門作為應(yīng)用相輔相成,不可分割。而在實際教學(xué)過程中,并非如此。首先從教學(xué)內(nèi)容來看,這兩門課的教學(xué)內(nèi)容高度相似。微機(jī)原理的教學(xué)內(nèi)容有:微處理器基本概念、工作原理和硬件結(jié)構(gòu),匯編語言指令系統(tǒng)和程序設(shè)計方法與技巧,中斷系統(tǒng)、定時器/計數(shù)器和串行通訊的工作原理和應(yīng)用,微機(jī)系統(tǒng)擴(kuò)展、人機(jī)交互、A/D和D/A等接口技術(shù),以及微機(jī)應(yīng)用系統(tǒng)設(shè)計實例等?！秵纹瑱C(jī)原理與應(yīng)用》的教學(xué)內(nèi)容有:單片機(jī)結(jié)構(gòu)原理、指令系統(tǒng)和匯編語言程序設(shè)計、存儲器擴(kuò)展技術(shù)、中斷系統(tǒng)、定時器/計數(shù)器、串行通信原理及應(yīng)用、系統(tǒng)擴(kuò)展、人機(jī)交互、A/D與D/A轉(zhuǎn)換器接口技術(shù)、單片機(jī)應(yīng)用系統(tǒng)的設(shè)計與開發(fā)等。從中,我們不難看出這兩門課的區(qū)別無非是處理器不同而已,教學(xué)內(nèi)容存在高度相似性。

    而在實際教學(xué)時,這兩門課通常由兩個教師來上,課時都在60左右。一方面,由于課時少,授課難以面面俱到而進(jìn)行選擇性授課,從而導(dǎo)致教學(xué)內(nèi)容遺漏;另一方面,由于任課教師的不同,教學(xué)內(nèi)容出現(xiàn)大量重復(fù)。雖然學(xué)生經(jīng)過兩門課程的學(xué)習(xí),但不能精通任何一門,甚至由于不能入門而對嵌入式系統(tǒng)產(chǎn)生恐懼。因此,同時開設(shè)這兩門課程并沒有達(dá)到想象中的教學(xué)效果。針對這一現(xiàn)象,有不少學(xué)者提出將《微機(jī)原理》和《單片機(jī)原理與應(yīng)用》這兩門課程進(jìn)行合并,教學(xué)時對這兩種處理器進(jìn)行比較教學(xué)以提高學(xué)習(xí)效率,減少課時量,減輕學(xué)生負(fù)擔(dān)。毫無疑問,經(jīng)過課程的合并必提高教學(xué)效果,但從現(xiàn)代企業(yè)對相關(guān)專業(yè)技術(shù)人員的理論知識和素質(zhì)能力要求來看,《微機(jī)原理》已經(jīng)落后于時代,學(xué)無所用。

    2 社會需求

    經(jīng)過大量課程的學(xué)習(xí),生物醫(yī)學(xué)工程學(xué)生的就業(yè)競爭力并沒有得到很大提升。大量的課程培養(yǎng)了知識面很寬的工程師。這些工程師只懂得一般工程原理而不具備任一領(lǐng)域的專業(yè)知識。因此,當(dāng)他們與其他專業(yè)的畢業(yè)生競爭時,生物醫(yī)學(xué)工程畢業(yè)生往往處于劣勢,許多BME公司寧愿聘用信息工程技術(shù)相關(guān)專業(yè)的學(xué)生,而不聘用BME的學(xué)生。美國猶他州立大學(xué)生物醫(yī)學(xué)工程系在BME工業(yè)部門做的問卷調(diào)查發(fā)現(xiàn)40%的人認(rèn)為BME學(xué)生知識面很寬是他們最大的優(yōu)勢,75%的人認(rèn)為BME學(xué)生沒有堅實的專業(yè)知識。這表明目前的BME課程體系設(shè)置還需要在專業(yè)知識上進(jìn)一步鞏固。設(shè)置更多專業(yè)課勢必進(jìn)一步增加課程,顯然是行不通的。因此,必須進(jìn)行優(yōu)化整合進(jìn)行探討,培養(yǎng)學(xué)生既擁有廣闊的知識面,又具備堅實的專業(yè)知識。

    《微機(jī)原理》以8086/8088處理器為藍(lán)本介紹處理器的工作原理,并學(xué)習(xí)使用該處理器。當(dāng)然,誕生于1978年的8086的誕生開啟了儀器智能化的新時代。但隨著處理器的發(fā)展,單片機(jī)的崛起,8086/8088處理器早已經(jīng)走下神壇而被淘汰,目前市場很難見到8086/8088的蹤跡。以8051為代表的單片機(jī)逐步取代8086/8088成為行業(yè)應(yīng)用的主流。隨著技術(shù)的發(fā)展,8051雖然也被淘汰,但是其指令兼容的單片機(jī)形成龐大的家族活躍在各個行業(yè)應(yīng)用上,從簡單的玩具到復(fù)雜的航空航天、醫(yī)療設(shè)備等高科技隨處可見51兼容單片機(jī)的影子。當(dāng)然,還發(fā)展出其它類型的單片機(jī),如:AVR、PIC等?，F(xiàn)代企業(yè)招聘時,通常要求應(yīng)聘者具有一定的單片機(jī)開發(fā)能力。企業(yè)要求的單片機(jī)開發(fā)能力,顯然不是指8086/8088微處理器的開發(fā)能力,而是指8051兼容單片機(jī)的開發(fā)能力,如果再掌握AVR或者PIC單片機(jī)開發(fā)技能則會更受企業(yè)歡迎?！段C(jī)原理》課程已經(jīng)出現(xiàn)教學(xué)內(nèi)容與社會需求脫節(jié),學(xué)與用脫節(jié)的現(xiàn)象,也導(dǎo)致企業(yè)抱怨學(xué)生掌握的知識過于陳舊而不愿意招聘應(yīng)屆畢業(yè)生。此外,很多畢業(yè)生也反應(yīng)《微機(jī)原理》課程中學(xué)習(xí)的知識無實際用處,對學(xué)習(xí)其它嵌入式處理器的學(xué)習(xí)與理解幫助不大。而對于單片機(jī)由于就業(yè)需要強(qiáng)勁,實用性強(qiáng),容易上手等因素,學(xué)生有很強(qiáng)的學(xué)習(xí)欲望。

    總之,8086/8088系列微處理器已經(jīng)在生產(chǎn)實際中淘汰,如果《微機(jī)原理》仍然以8086/8088為藍(lán)本講解微處理器的原理,則顯得知識過于陳舊,與企業(yè)需求脫節(jié)。由于在生產(chǎn)實際中8051兼容的單片機(jī)龐大家族仍然廣泛應(yīng)用,因此要加強(qiáng)單片機(jī)的學(xué)習(xí),不僅可以讓學(xué)生了解微處理器的工作原理,也能與社會需求接軌,培養(yǎng)出合格的現(xiàn)代企業(yè)工程師。

    3 可行性驗證

    自2009年以來,我校生物醫(yī)學(xué)工程系就開始小范圍試點取消《微機(jī)原理》,強(qiáng)化《單片機(jī)原理與應(yīng)用》的教學(xué),取得很好的教學(xué)效果。2010年二年級6個本科生由于參加電子設(shè)計競賽而在沒有學(xué)習(xí)《微機(jī)原理》的情況下,直接學(xué)習(xí)單片機(jī)開發(fā)。在學(xué)習(xí)過程中,并不比那些有《微機(jī)原理》基礎(chǔ)的學(xué)生表現(xiàn)差。事實上,2011年電子設(shè)計競賽中,他們表現(xiàn)得極為出色。此外,也有不少學(xué)校已經(jīng)開設(shè)微機(jī)原理課程,并在教學(xué)實踐中獲得良好的教學(xué)效果。

    目前,市場涌現(xiàn)出許多零基礎(chǔ)學(xué)習(xí)單片機(jī)的教材,如:杜洋的《愛上單片機(jī)》、周興華的《手把手教你學(xué)單片機(jī)》等?！稅凵蠁纹瑱C(jī)》和《手把手教你學(xué)單片機(jī)》不僅市場上脫銷,而且網(wǎng)上掃描版下載量奇高,新手幾乎人手一本。縱觀這些教材都不要求學(xué)習(xí)者擁有《微機(jī)原理》基礎(chǔ),大幅度降低了單片機(jī)的學(xué)習(xí)難度和入門起點。讀者對這些教材的熱捧不僅說明單片機(jī)存在廣泛的需求,更表明單片機(jī)學(xué)習(xí)的起點可以很低。

    不論是從我們的教學(xué)實踐中,還是從目前單片機(jī)教材來看,《微機(jī)原理》完全沒有必要作為《單片機(jī)原理與應(yīng)用》的前置課程。取消該課程,不僅不影響教學(xué)效果,反而有利于減輕學(xué)生負(fù)擔(dān),促進(jìn)《單片機(jī)原理與應(yīng)用》的教學(xué),縮短教學(xué)與企業(yè)需求距離。

篇4

關(guān)鍵詞：鏈接預(yù)測；數(shù)據(jù)場；鏈接重要性；節(jié)點相似性；復(fù)雜網(wǎng)絡(luò)

中圖分類號： TP391.4

文獻(xiàn)標(biāo)志碼：A

Abstract： The existing link prediction methods based on node similarity usually ignore the link strength of network topology and the weight value in the typological path method with weight is difficult to set. To solve these problems， a new prediction algorithm based on link importance and data field was proposed. Firstly， this method assigned different weight for each link according to the topology graph. Secondly， it took into account the interaction between potential link nodes and preestimated the link values for the partial nodes without links. Finally， it calculated the similarity between two nodes with data field potential function. The experimental results on some typical data sets of the realworld network show that， the proposed method has good performance with both classification index and recommended index. In comparison to the Local Path （LP） algorithm with the same complexity， the proposed algorithm raises Area Under Curve （AUC） by 3 to 6 percentages， and raises Discounted Cumulative Gain （DCG） by 1.5 to 2.5 points. On the whole， it improves the prediction accuracy. Because of its easy parameter determination and low time complexity， this new approach can be deployed simply.

Key words： link prediction； data field； link importance； node similarity； complex network

0引言

自文獻(xiàn)[1]LibenNowell等[1]首次提出社會網(wǎng)絡(luò)鏈接預(yù)測的問題以來，鏈接預(yù)測已成為社會網(wǎng)絡(luò)分析的熱點。鏈接預(yù)測是通過已知的網(wǎng)絡(luò)結(jié)構(gòu)等信息預(yù)測和估計目標(biāo)網(wǎng)絡(luò)中尚未被觀察到的或者在未來會出現(xiàn)的鏈接，可應(yīng)用于科學(xué)研究、社會安全、行政商業(yè)決策、分子生物學(xué)的蛋白質(zhì)關(guān)系預(yù)測、犯罪網(wǎng)絡(luò)調(diào)查、各種推薦系統(tǒng)等，如文獻(xiàn)[2-4]。此外，通過對鏈接預(yù)測的技術(shù)和方法進(jìn)行研究，可以加深對于復(fù)雜網(wǎng)絡(luò)的總體演變規(guī)律的理解，進(jìn)而推動其他復(fù)雜網(wǎng)絡(luò)研究分支的發(fā)展。

目前主流的鏈接預(yù)測方法主要分為基于概率模型的算法[5-9]（如文獻(xiàn)[5-9]）、基于節(jié)點相似性的預(yù)測算法[1，10-19]（如文獻(xiàn)[1，10-19]）。利用概率模型進(jìn)行鏈接預(yù)測的基本思想是建立含有一組可調(diào)參數(shù)的模型，然后使用一些優(yōu)化策略尋找最優(yōu)的參數(shù)值，使得所得到的模型能夠更好地再現(xiàn)真實網(wǎng)絡(luò)的結(jié)構(gòu)和關(guān)系特征。網(wǎng)絡(luò)中兩個沒有鏈接的節(jié)點對建立鏈接的概率等于在這組最優(yōu)參數(shù)下，它們之間建立鏈接的條件概率。概率模型的優(yōu)勢在于較高的預(yù)測精確度，同時使用了網(wǎng)絡(luò)的結(jié)構(gòu)信息和節(jié)點的屬性信息；但計算的復(fù)雜度以及非普適性的參數(shù)使其應(yīng)用范圍受到限制?；诠?jié)點相似性算法主要基于網(wǎng)絡(luò)的拓?fù)湫畔⑦M(jìn)行鏈接預(yù)測，該方法對于集聚系數(shù)較低的網(wǎng)絡(luò)預(yù)測準(zhǔn)確性較低，但計算簡單，可擴(kuò)展性良好，且可被用于實時預(yù)測任務(wù)中，因此，本文主要研究基于節(jié)點相似性的鏈接預(yù)測算法。很多學(xué)者對基于節(jié)點相似性的方法作了相關(guān)研究，如文獻(xiàn)[1，10-19]，典型的方法有共同鄰居（Common Neighbor， CN）算法[1]、局部路徑（Local Path， LP）算法[10]和Katz（A new status index named after Katz L）[13]請明確這3個算法到底指代的哪個文獻(xiàn)？Katz是指代文獻(xiàn)13嗎？CN指代哪個文獻(xiàn)，LP指代哪個文獻(xiàn)？請逐個明確。等，詳細(xì)信息可參考文獻(xiàn)[10，13，20]。以CN為基礎(chǔ)的10余種算法都只把網(wǎng)絡(luò)中有直接鏈接的表示為1，沒有直接鏈接的表示為0，沒有考慮鏈接的重要性信息，而現(xiàn)實的網(wǎng)絡(luò)鏈接中顯然是存在鏈接強(qiáng)度的?；诼窂酵?fù)涞南嗨菩苑椒ǎ鏛P和Katz算法的權(quán)值確定不直觀，且Katz的權(quán)值必須滿足一定的條件，計算時間復(fù)雜度較高，每次權(quán)值的改變都需要重新計算，實際使用效率不高。

針對以上問題，本文提出了基于鏈接重要性和數(shù)據(jù)場的鏈接算法――WCDF（Weighted Complete Data Field）。該算法對現(xiàn)有的鏈接作加權(quán)處理，同時考慮了潛在鏈接間的影響，對一些沒有鏈接的邊進(jìn)行鏈接預(yù)估計，最后利用數(shù)據(jù)場勢函數(shù)計算兩節(jié)點間的相似值，在整體上提高了預(yù)測的準(zhǔn)確率。

1相關(guān)工作

目前，基于節(jié)點相似性的鏈接預(yù)測算法已有大量研究。兩個節(jié)點之間相似性越大，則它們之間存在鏈接的可能性就越大，這是應(yīng)用節(jié)點相似性進(jìn)行鏈接預(yù)測的重要前提假設(shè)。LibenNowell等[1]另外，CN是指代文獻(xiàn)1嗎？請明確。要注意與前文的描述保持一致。提出共同鄰居（CN）的方法。該方法認(rèn)為如果兩節(jié)點有更多的共同鄰居，那么它們更傾向于建立鏈接，因此考慮了節(jié)點的共同鄰居這一拓?fù)鋵傩?。Zhou等[10]提出一種新的基于節(jié)點相似性的資源分配（Resource Allocation， RA）算法，比其他基于節(jié)點相似方法[1，12]有更好的實驗結(jié)果（如文獻(xiàn)[1]和[12]）。該方法從網(wǎng)絡(luò)資源分配的角度提出新的RA指標(biāo)，對于網(wǎng)絡(luò)中沒有直接相連的兩個節(jié)點x和y，它們的共同鄰居可以成為媒介，協(xié)助建立鏈接。當(dāng)網(wǎng)絡(luò)的平均度較大的時候RA效果明顯。Lü等[12]提出LP局部路徑指標(biāo)，該算法是在共同鄰居CN指標(biāo)的基礎(chǔ)上考慮了三階鄰居的貢獻(xiàn)，利用一個參數(shù)來控制三階路徑的作用大小。Katz[13]提出的Katz算法考慮所有的路徑數(shù)，對于短路徑賦予較大的權(quán)重，對于長路徑賦予較小的權(quán)重。Katz算法提出的權(quán)重不易確定，同時Katz中的權(quán)值取值須小于鄰接矩陣A最大特征值的倒數(shù)，這樣才可以保證數(shù)列的收斂性，且計算復(fù)雜度較高。

對于鏈接強(qiáng)度的研究主要集中在具體網(wǎng)絡(luò)節(jié)點的屬性上，很少有文獻(xiàn)研究從網(wǎng)絡(luò)拓?fù)浔旧淼慕嵌韧诰驒?quán)重信息。部分學(xué)者在鏈接強(qiáng)度上作了相關(guān)的工作。孫浩[21]提出了基于時間信息的在線社交網(wǎng)絡(luò)的鏈接預(yù)測框架，在該鏈接預(yù)測框架中，使用核函數(shù)來提取網(wǎng)絡(luò)的時間特征來形成基于時間信息的加權(quán)概要圖，在時間局部性和時間再現(xiàn)性基礎(chǔ)上再使用擴(kuò)展的關(guān)系貝葉斯分類器來進(jìn)行鏈接預(yù)測。李玉華等[22]給出一種基于鏈接重要性的動態(tài)鏈接預(yù)測方法，引入鏈接重要性的度量，對拓?fù)鋵傩院驼Z義相似度等屬性進(jìn)行修正，考慮動態(tài)性以反映時間因素對鏈接形成的影響。Murata等[23]針對于社交網(wǎng)絡(luò)中兩個節(jié)點間的事務(wù)次數(shù)作為鏈接的權(quán)值，進(jìn)行鏈接預(yù)測。

綜上所述，現(xiàn)在的基于節(jié)點相似性的算法，如CN、RA等算法沒有考慮鏈接權(quán)重信息，部分學(xué)者如孫浩[21]、李玉華等[22]借助網(wǎng)絡(luò)的特有屬性信息，針對特定網(wǎng)絡(luò)為鏈接加權(quán)處理，然而網(wǎng)絡(luò)的私有屬性通常不容易獲得，并且研究的普適性不強(qiáng)；現(xiàn)有的基于帶權(quán)路徑的典型算法，如LP、Katz中的權(quán)值確定通常采用簡單的試探，很難達(dá)到最優(yōu)解?？紤]到基于節(jié)點相似的算法有簡單，可擴(kuò)展性強(qiáng)，又同時又一定的提升改進(jìn)空間，本文主要針對基于節(jié)點相似算法的不足加以改進(jìn)，提升預(yù)測的準(zhǔn)確率。

總之，在兩個評價指標(biāo)的實驗中，WCDF算法與其他4種方法算法相比整體上有優(yōu)勢。與已有算法相比，本文算法還有如下優(yōu)點：

1）與具有相同時間復(fù)雜度的LP算法相比，WCDF整體提高了準(zhǔn)確率，比較高時間復(fù)雜度的Katz方法略有優(yōu)勢，并且WCDF參數(shù)的確定簡單，容易求出次優(yōu)解。而Katz的參數(shù)不僅有限制，而且每次參數(shù)的變化Katz都要重新計算，調(diào)整參數(shù)時間代價較高，而WCDF改變權(quán)值時和LP一樣，不需要重新計算路徑數(shù)信息。

2）WCDF算法在以AUC和DCG兩種衡量指標(biāo)中都有很好的整體效果，而Katz在以AUC為衡量指標(biāo)時占優(yōu)勢，以DCG為衡量指標(biāo)時不占優(yōu)勢，LP和RA在以AUC為衡量指標(biāo)時不占優(yōu)勢，在以DCG為衡量指標(biāo)時較占優(yōu)勢。

3）原有的LP、Katz算法中的β值沒有固定的區(qū)間，不穩(wěn)定，很難確定出優(yōu)解，而且在Katz算法中β的取值須小于鄰接矩陣A最大特征值的倒數(shù)，這樣才可以保證數(shù)列的收斂性，每次參數(shù)的改變都需要重新計算，調(diào)整參數(shù)時間代價很大。WCDF算法參數(shù)的確定簡單、直觀：當(dāng)參數(shù)σ達(dá)到一定的值后在很長區(qū)間內(nèi)趨于穩(wěn)定，采用幾次簡單的試探便能夠在一定區(qū)間內(nèi)找到很好的次優(yōu)解，參數(shù)確定更直觀，且參數(shù)的改變不需要重新計算路徑數(shù)，調(diào)整參數(shù)時代價小。

4結(jié)語

針對已有基于節(jié)點相似性的鏈接預(yù)測方法的缺陷，提出一種基于鏈接重要性和數(shù)據(jù)場的鏈接預(yù)測方法。該方法從鄰居節(jié)點的角度考慮了鏈接重要性的影響，同時在已有算法的基礎(chǔ)上對沒有直接相連的節(jié)點之間進(jìn)行鏈接可能性進(jìn)行預(yù)估計，且提出利用數(shù)據(jù)之間的吸引力來計算不同節(jié)點之間的相似性。本文方法在不增加時間復(fù)雜度的情況下，與其他算法相比，整體上提高了準(zhǔn)確率，并且參數(shù)調(diào)節(jié)簡單、直觀，代價小，有一定的實用價值。但新方法中暫時只考慮了兩節(jié)點間的拓?fù)湫畔?，而?jié)點的活躍性信息還沒有計算在內(nèi)，下一步工作將加入節(jié)點的活躍信息以及其他網(wǎng)絡(luò)屬性特征來計算節(jié)點相似度。

參考文獻(xiàn)：

[1]LIBENNOWELL D， KLEINBERG J. The link prediction problem for social networks [J]. Journal of the American Society for Information Science and Technology， 2007， 58（7）： 1019-1031.

[2]HUANG Z， LI X， CHEN H. Link prediction approach to collaborative filtering [C]// JCDL05： Proceedings of the 5th ACM/IEEECS Joint Conference on Digital Libraries. Piscataway： IEEE Press， 2005： 141-142.

[3]BISCHOFF K， FIRAN C， GEORGESCU M. Social knowledgedriven music hit prediction [C]// ADMA 2009： Proceedings of the 5th International Conference on Advanced Data Mining and Applications. Berlin： Springer， 2009： 43-54.

[4]PAVLOV M， ICHISE R. Finding experts by link prediction in coauthorship networks [EB/OL]. [20140115]. http：//sunsite.informatik.rwthaachen.de/Publications/CEURWS/Vol290/paper04.pdf.

[5]JEH G， WIDOM J， SIMRAN K. A measure of structural context similarity [C]// Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York， ACM Press， 2002： 538-543.

[6]BLONDEL V D， GAJARDO A， HEYMANS M， et al. A measure of similarity between graph vertices： applications to synonym extraction and Web searching [J]. SIAM Review， 2004， 46（4）： 647-666.

[7]SARUKKAI R R. Link prediction and path analysis using Markov chains [J]. Computer Networks， 2003， 33（6）： 377-386.

[8]FRIEDMAN N， GETOOR L， KOLLER D， et al. Learning probabilistic relational models [C]// IJCAI99： Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence. San Francisco： Morgan Kaufmann Publishers， 1999： 1300-1309.

[9]HECKERMAN D， MEEK C， KOLLER D. Probabilistic entityrelationship models， PRMs， and plate models [C]// Proceedings of the ICML2004 Workshop on Statistical Relational Learning and its Connections to Other Fields. Banff： [s.n.]， 2004： 55-60.

[10]ZHOU T， L L， ZHANG Y C. Predicting missing links via local information [J]. The European Physical Journal B， 2009， 71（4）： 623-630.

[11]DONG Y， KE Q， WU B. Link prediction based on node similarity [J]. Computer Science， 2011， 38（7）： 162-199.（東昱曉，柯慶，吳斌.基于節(jié)點相似性的鏈接預(yù)測[J].計算機(jī)科學(xué)，2011，38（7）：162-199.）

[12]L L， JIN C H， ZHOU T. Similarity index based on local paths for link prediction of complex networks [J]. Physical Review E， 2009， 80（4）： 046122.

[13]KATZ L. A new status index derived from sociometric analysis [J]. Psychometrika， 1953， 18（1）： 39-43.

[14]SHEN Y. Link prediction in complex networks [D]. Guangzhou： South China University of Technology， 2011.（沈勇明.復(fù)雜網(wǎng)絡(luò)鏈接預(yù)測[D].廣州：華南理工大學(xué)，2011.）

[15]TENG Z. Research on link prediction for dynamic networks [D]. Jinan： Shandong University， 2012.（滕兆明.動態(tài)多維社會網(wǎng)絡(luò)鏈接預(yù)測研究[D].濟(jì)南：山東大學(xué)，2012.）

[16]YIN H. Research on link prediction for social networks [D]. Changchun： Jilin University， 2012.（殷涵.社會網(wǎng)絡(luò)鏈接預(yù)測研究[D].長春：吉林大學(xué)，2012.）

[17]ZHAO C. Link prediction for social networks [D]. Harbin： Harbin Institute of Technology， 2012.（趙嬋媛.社會網(wǎng)絡(luò)鏈接算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.）

[18]GAO S， DENOYER L， GALLINARI P. Temporal link prediction by integrating content and structure information [C]// Proceedings of the 20th ACM International Conference on Information and Knowledge Management. New York： ACM Press， 2011： 1169-1174.

[19]CUI A， FU Y， SHANG M， et al. The local structure of complex networks sprung up： common neighbor drive network evolution [J]. Acta Physica Sinica， 2011， 60（3）： 803-808.（崔愛香，傅彥，尚明生，等.復(fù)雜網(wǎng)絡(luò)局部結(jié)構(gòu)的涌現(xiàn)：共同鄰居驅(qū)動網(wǎng)絡(luò)演化[J].物理學(xué)報，2011，60（3）：803-808.）

[20]ADAMIC L A， ADAR E. Friends and neighbors on the Web [J]. Social Networks， 2003， 25（3）： 211-230.

[21]SUN H. Research on link prediction based on transactional information [D]. Qinhuangdao： Yanshan University， 2010.（孫浩.基于事物信息的鏈接預(yù)測算法研究[D].秦皇島：燕山大學(xué)，2010.）

[22]LI Y， XIAO H， LI D， et al. Research of dynamic link prediction method based on link importance [J]. Journal of Computer Research and Development， 2011，48（z2）： 40-46.（李玉華，肖海嶺，李棟才，等.基于鏈接重要性的動態(tài)鏈接預(yù)測方法研究[J].計算機(jī)研究與發(fā)展，2011，48（z2）：40-46.）

[23]MURATA T， SAKIKO M. Link prediction of social networks based on weighted proximity measures [C]// Proceedings of the 2007 IEEE/WIC/ACM International Conference on Web Intelligence. Washington， DC： IEEE Computer Society， 2007： 86-88.

[24]GRANOVETTER M S. The strength of weak ties [J]. Journal of American Sociology， 1973， 78（6）： 1368-1178.