0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

如何促進學生深度學習?選用三條策略進行探索

倩倩 ? 來源:lq ? 作者:中國教育新聞網 ? 2019-09-20 15:46 ? 次閱讀

隨著新課程改革的不斷深入和學科核心素養(yǎng)的提出,深度學習作為落實物理學科素養(yǎng)的有效策略,在教學實踐中受到越來越多教師的重視。那么,如何促進學生深度學習?在教學實踐中,我們選用了三條策略進行探索。

在情境中走向真實學習。在深度學習教學中,啟發(fā)學生思維成為教師課堂教學的首要任務,而引發(fā)學生已有的知識經驗是最佳路徑。因此,我們給物理教學中的情境定義為:情境和活動的基礎目的是引發(fā)學生的經驗,在能有效喚醒學生經驗的同時,還要兼顧學生興趣的激發(fā)。

如何有效創(chuàng)設情境和活動?我們確立了三個途徑:一是基于學生的生活經驗:物理來源于生活,生活中也充滿了物理現象和事實,對于許多概念,我們可以從生活中引進情境和活動進行創(chuàng)設。比如,壓強概念的引入,教師出示三個情境和問題:重量相同的汽車和履帶拖拉機在松軟的土地上,誰更容易陷到地里,為什么?用同樣的力氣把一根針和一根鋼筋扎進木頭板,誰更容易扎進去,為什么?裝滿貨的汽車和空車走過一條土路時,誰與地面接觸面積大?誰留下的痕跡深?為什么?這樣,從學生的生活實踐中讓他們體會到壓強的兩個因素——壓力與面積,更有利于學生概念的建構。

二是基于學生的知識經驗:物理知識本身就是一個完整的知識體系,它們之間有著本質的邏輯關系,通過對原有知識的運用而引發(fā)學生對新知識的學習。

三是搭建思維支架:一些知識學生學習困難,是因為相應的思維方式沒有建立,如學習《浮力的大小》一節(jié)時,教師讓學生先做了兩組分別涉及物體大小、液體密度變化的實驗,初步感受物體所受浮力相關聯系后再進行教學,提前做好了思維引導。

用問題激發(fā)探究。問題的質量決定了學生思維的深度,高質量的問題是學生能否進行深度學習的保障。

在問題和任務的設置方式上,我們確定了三個原則:結構化、層次化和探究性。所謂結構化就是在問題設置上要形成體系,構建一個總問題、分問題、子問題的結構體系,讓結構本身也成為促進學生思維和知識建構的工具。比如,在《物質的密度》一課中,教師在實驗后設計了以下問題結構:進行實驗一后分析,相同體積的同種物質,其質量是否相等?相同體積的不同種物質,其質量是否相等?在不注明哪杯是純水,哪杯是鹽水的情況下,如果不允許品嘗,該如何區(qū)別?通過結構化問題,為學生進行知識建構,搭建框架。

所謂層次化就是在問題設置上通過“剝筍式”架構,構建一個從小到大、從淺到深、從廣度到深度的問題鏈,讓學生的思維走向深入。

問題的價值在探究。在教學《摩擦力》一課時,教師設計了三個問題:生活中沒有摩擦力會怎樣?如果在寫作業(yè)時摩擦力消失,會出現什么狀況?汽車行駛過程中輪胎沒有摩擦力會怎樣?很明顯,只有第二個問題考慮了范圍的控制性和問題的綜合性,才更具思考的價值。

五步提問法引導思維深化。在學生初步提出問題后,教師針對預設問題和生成問題的提問方式成為能否促進學生深度學習的關鍵。為提升提問質量,在教學實踐的研究中,我們總結了五步提問法:教師根據設計問題進行提問;學生根據提問進行回答;教師根據學生的回答進行理答;組織更多學生參與;當學生思路清晰、思考到位后,教師梳理歸納評價。

知識的價值在于探究,知識只有經過思維加工和過程探究才能促進學生對知識的真正建構,并發(fā)揮其育人價值。只要我們把人的發(fā)展作為課堂教學的終極目標,并付諸實踐和探索,我們的課堂就會在促進學生深度學習中發(fā)揮更大作用,使學生的物理核心素養(yǎng)不斷提升。

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯系本站處理。 舉報投訴
  • 深度學習
    +關注

    關注

    73

    文章

    5512

    瀏覽量

    121452
收藏 人收藏

    評論

    相關推薦

    ads1248使用三條校準指令校驗時,要使用內部的VREF,還是使用外部的REF0?

    我的系統(tǒng)使用外部REF0輸入基準電壓?,F在疑惑的是:使用三條校準指令校驗時,要使用內部的VREF,還是使用我外部的REF0?手冊中沒有提到。
    發(fā)表于 01-16 07:00

    ADS1291 ECG三條感應信號,在主板走線如圖, 影響大不大?

    ECG 三條感應信號,在主板走線如圖, 影響大不大?
    發(fā)表于 11-28 06:52

    NPU在深度學習中的應用

    隨著人工智能技術的飛速發(fā)展,深度學習作為其核心驅動力之一,已經在眾多領域展現出了巨大的潛力和價值。NPU(Neural Processing Unit,神經網絡處理單元)是專門為深度學習
    的頭像 發(fā)表于 11-14 15:17 ?811次閱讀

    AI干貨補給站 | 深度學習與機器視覺的融合探索

    ,幫助從業(yè)者積累行業(yè)知識,推動工業(yè)視覺應用的快速落地。本期亮點預告本期將以“深度學習與機器視覺的融合探索”為主題,通過講解深度學習定義、傳統(tǒng)
    的頭像 發(fā)表于 10-29 08:04 ?269次閱讀
    AI干貨補給站 | <b class='flag-5'>深度</b><b class='flag-5'>學習</b>與機器視覺的融合<b class='flag-5'>探索</b>

    GPU深度學習應用案例

    GPU在深度學習中的應用廣泛且重要,以下是一些GPU深度學習應用案例: 一、圖像識別 圖像識別是深度學習
    的頭像 發(fā)表于 10-27 11:13 ?473次閱讀

    FPGA加速深度學習模型的案例

    :DE5Net_Conv_Accelerator 應用場景 :面向深度學習的開源項目,實現了AlexNet的第一層卷積運算加速。 技術特點 : 采用了Verilog語言進行編程,與PCIe接口相集成,可以直接插入到
    的頭像 發(fā)表于 10-25 09:22 ?334次閱讀

    AI大模型與深度學習的關系

    AI大模型與深度學習之間存在著密不可分的關系,它們互為促進,相輔相成。以下是對兩者關系的介紹: 一、深度學習是AI大模型的基礎 技術支撐 :
    的頭像 發(fā)表于 10-23 15:25 ?1142次閱讀

    FPGA做深度學習能走多遠?

    ,FPGA 也需要不斷適應和改進。研究人員和開發(fā)者將致力于針對 FPGA 的特點對深度學習算法進行優(yōu)化,例如探索更高效的模型壓縮方法、量化技術以及硬件友好的算法結構等,以進一步提高 F
    發(fā)表于 09-27 20:53

    深度學習中的時間序列分類方法

    的發(fā)展,基于深度學習的TSC方法逐漸展現出其強大的自動特征提取和分類能力。本文將從多個角度對深度學習在時間序列分類中的應用進行綜述,探討常用
    的頭像 發(fā)表于 07-09 15:54 ?1132次閱讀

    深度神經網絡(DNN)架構解析與優(yōu)化策略

    深度神經網絡(Deep Neural Network, DNN)作為機器學習領域中的一種重要技術,以其強大的特征學習能力和非線性建模能力,在多個領域取得了顯著成果。DNN的核心在于其多層結構,通過
    的頭像 發(fā)表于 07-09 11:00 ?2134次閱讀

    深度學習中的無監(jiān)督學習方法綜述

    深度學習作為機器學習領域的一個重要分支,近年來在多個領域取得了顯著的成果,特別是在圖像識別、語音識別、自然語言處理等領域。然而,深度學習模型
    的頭像 發(fā)表于 07-09 10:50 ?908次閱讀

    深度學習與傳統(tǒng)機器學習的對比

    在人工智能的浪潮中,機器學習深度學習無疑是兩大核心驅動力。它們各自以其獨特的方式推動著技術的進步,為眾多領域帶來了革命性的變化。然而,盡管它們都屬于機器學習的范疇,但
    的頭像 發(fā)表于 07-01 11:40 ?1515次閱讀

    具有三條 100mA 通道的低 EMI 汽車 LED驅動器TPS61193-Q1數據表

    電子發(fā)燒友網站提供《具有三條 100mA 通道的低 EMI 汽車 LED驅動器TPS61193-Q1數據表.pdf》資料免費下載
    發(fā)表于 04-09 14:40 ?3次下載
    具有<b class='flag-5'>三條</b> 100mA 通道的低 EMI 汽車 LED驅動器TPS61193-Q1數據表

    傳統(tǒng)計算機視覺對比深度學習

    深度學習是一種技術,它使用一種稱為梯度反向傳播的優(yōu)化技術來生成“程序”(也稱為“神經網絡”),就像上面故事中學者學生編寫的那些程序一樣。
    發(fā)表于 03-31 09:48 ?486次閱讀

    FPGA在深度學習應用中或將取代GPU

    上漲,因為事實表明,它們的 GPU 在訓練和運行 深度學習模型 方面效果明顯。實際上,英偉達也已經對自己的業(yè)務進行了轉型,之前它是一家純粹做 GPU 和游戲的公司,現在除了作為一家云 GPU 服務
    發(fā)表于 03-21 15:19