个人和团体名称规范标目的选取与著录     

马宏惠  路一 《大学图书情报学刊》2006,24(5):49-52

名称规范是规范工作的重要组成部分,文章从名称规范范围、标目选取原则、各种标目形式和著录方式进行了论述.并就建立名称规范存在的主要问题以及今后发展等方面进行了探讨.  相似文献   

电子期刊的发展现状及未来趋势   总被引：5，自引：0，他引：5  

刘原  马林山 《合肥联合大学学报》1999,(2)

文章着重阐述了电子期刊自产生以来,在自身载体形式、检索方法、数据格式、标准化以及著作权归属等方面的发展概况,并指出电子期刊今后的发展趋势。  相似文献   

快速原型制造中新型数据模型的研究     

付卓勇  郑炜 《中山大学学报论丛》1999,(4)

分析当前快速原型制造系统中采用的ＳＴＬ数据模型的结构, 针对其缺陷提出了一种新型的数据模型, 弥补了ＳＴＬ 数据模型缺乏几何拓扑信息, 冗余数据量大等不足, 并在新的模型的设计中引入空间分割的概念, 提高了快速原型制造的效率。  相似文献   

论图书期刊之版式权     

吕益林  姬峰 《情报科学》2005,23(1):61-64

图书期刊的版式设计属于出版者的创造性智力劳动成果,与之相对应,图书期刊出版者享有的一项重要权利就是版式权,即图书期刊出版者保护其版式设计的权利,其性质应属于广义著作权中的邻接权范畴,并且图书期刊版式权与狭义著作权、外观设计权、装帧设计权、商业标识权等相关权利存在密切关系。  相似文献   

《国家学生体质健康标准》与《学生体质健康标准(试行方案)》的比较研究   总被引：4，自引：0，他引：4  

郑殷珏  方爱莲  蔡金明  邓蜀李 《体育科学》2009,29(7)

通过对6 517名大学生的身高标准体重、肺活量、坐位体前屈、台阶试验、立定跳远等测试项目进行<学生体质健康标准(试行方案)>(简称<老标准>)与<国家学生体质健康标准>(简称<新标准>)的评价比较,探讨了<新标准>在测试项目、权重系数、评价等级、评分标准等方面的合理性与科学性.结果表明,<新标准>中测试内容更加丰富,但选测项目仍然分类不清;权重系数的分配更加合理;评价等级的调整幅度较小,但评分标准大幅提高,学生的体质健康测试数据反映出新老标准间的各等级通过率存在非常显著的差异,采用<新标准>评价的不及格比例明显增大,从原来的0.3%提高到23.9%,而优良比例却由原来的60.2%降低到27.5%.因此,建议对<新标准>中部分项目的评分标准进行进一步的完善和优化.  相似文献   

关于师院体育系学生旋肩测验评分及评价标准的研究     

宋子良 《辽宁体育科技》2008,30(4):30-32

对周口师院体育系361名学生进行旋肩测验,用所测数据进行多种统计运算,制定出评分标准和评价标准,供素质评定和选材参考。  相似文献   

北京奥运会团体新赛制下我国乒乓球基础训练对策     

张秋芬 《体育成人教育学刊》2009,25(4)

国际乒联对08年北京奥运会乒乓球比赛的比赛规程和团体赛赛制进行了重大修改,体现了其"变中求生"的思想.这些变革对运动员和教练员以及乒乓球运动管理机构均提出了更高的要求.对奥运会新赛制的特点.进行了深入细致的分析,从备战奥运会的战略战术、技术政策、基础训练策略等方面提出了对策和建议.  相似文献   

Machine Learning Literacy for Measurement Professionals: A Practical Tutorial     

Rui Nie  Qi Guo  Maxim Morin 《Educational Measurement》2023,42(1):9-23

The COVID-19 pandemic has accelerated the digitalization of assessment, creating new challenges for measurement professionals, including big data management, test security, and analyzing new validity evidence. In response to these challenges, Machine Learning (ML) emerges as an increasingly important skill in the toolbox of measurement professionals in this new era. However, most ML tutorials are technical and conceptual-focused. Therefore, this tutorial aims to provide a practical introduction to ML in the context of educational measurement. We also supplement our tutorial with several examples of supervised and unsupervised ML techniques applied to marking a short-answer question. Python codes are available on GitHub. In the end, common misconceptions about ML are discussed.  相似文献