口译注意力分配研究英文论文

近年来,世界各国在 教育 、军事、经济、政治、文学等多个领域的交流越来越频繁,极大地促进了这些领域的进步和快速发展。下面是我为大家整理的英文学术论文，供大家参考。

摘要：英美文学中的文学批评存在多种不同的理论，不同理论学派所持有的观点也不尽相同，每个学派之间都有其丰富的理论基础，从多维的角度去进行主客观的文学批评，正是因为文学批评有着其自身科学性、审美性、公信力等方面的特点，能够包容多种批评学派的存在，对文学作品进行客观、科学的批评。

关键词：英美文学;文学批评

一、文学批评理论在英美文学教学中的意义

目前我国大多数院校都开设了相应的文学教育理论课程，而在关于英美文学的教学过程中，文学批评与文学教学是相辅相成的关系，文学批评可以从其独特的视角关注和解读英美文学作品，得到与众不同的观点，从而充分了解了整部英美文学作品的历史意义和内涵。文学批评也为英美文学教学提供了一把打开其大门的钥匙，让学生有机会从不同的角度，不同的观点、不同的思想关注英美文学，更好地促进了英美文学的发展。以文学批评基本理论为依据，应用到英美文学教学中，将有助于在学习作品过程中，避免传统的、印象式的解读，使学生通过对原著的充分解读，仔细品味原著中作者想要表达的观点，以及写作的手法，培养学生踏实阅读的学风，还能够让学生充分感受到文学的魅力，增强学习兴趣，提高学习成绩。

二、英美文学中文学批评的多方位表现形式

1.英美文学中新批评理论。

上世纪三四十年代开始出现以兰色姆(J.C.Ransom,1888-1974)、威姆塞特(W.K.Wimsatt,1907-1975)等为代表，形成了英美文学中的“新批评”理论。他们认为一切从作者的原始写作动机与作者的阅读感受为出发点所进行的文学批评都是“错误的谬论”，脱离了文学批评的初衷，将文学批评的对象进行了根本的转移，即转移到了文学作品对阅读者心理影响方面上，脱离了被批评对象的本身，从而沦为了单一的印象论。英美文学中的新批评理论认为单纯依靠阅读者的感觉，会使阅读者产生相对的“阅读错觉”——即带入阅读者已有的自我认知来干扰对作品进行正确的、客观的文学批评。新批评理论强调的是以尊重和细读原著为基础，对原著进行客观、公正的、不带有固有主观意识的文学批评，形成踏实阅读的风气。在高校英美文学教学过程中运用新批评理论，也就是说教师需要花更多的时间去钻研原著，提出更有价值的问题供学生进行课上探讨，这样才能赋予学生机会去利用新批评理论认识英美文学、了解英美文学、发现英美文学的精髓所在，主动地去学习英美文学。

2.英美文学中读者反应批评理论。

在整个英美文学历史发展过程中，从来不缺少批评的新声音和新形式的产生于与发展，斯坦利.费希(StanleyFish)就对新批评理论提出了挑战，他认为单纯的从作品本身进行分析而忽略了读者的作用，是对整个阅读过程的误解。“读者反应批评”强调原著作品对于读者的影响，读者在阅读原著后所起到的作用以及能够从中得到的感受为重点。读者反应批评理论以读者为重，从读者的角度来诠释“文学批评”的过程。作品需要“留白”，这些留白的地方正是读者阅读完作品之后进行的“自我想象”，是对作品新的解读和延展，得到一种“作者——作品——读者”三者之间的交流。但是这种理论由于强调的是读者的作用，而每位读者都是不同的个体，即便对同一文学作品，也有着不同的解读方式和看法。这是“读者反应批评理论”所面对的最大的难题。

三、英美文学作品中文学批评的特点

1.文学批评与多种学科紧密相连。

在英美文学中文学批评几乎是文学研究的 同义词 ，文学批评以文学鉴赏为基础，以文学理论为指导，对作家作品进行分析、研究、认识和评价，这一整个过程不单单是一种文学行为，更是与多种学科有着密切的联系，大部分的文学批评都运用了“心理学”“社会学”“哲学”等多种学科。尤其是文学批评中的“读者反应批评理论”充分运用了读者的阅读心理和阅读感受，来对文学作品进行文学批评，得到了相关作品的反馈。

2.英美文学中的文学批评具有审美性。

不论是以新批评理论为基础，还是以读者反应批评理论为基础，大部分的文学批评都具有审美性。这里的审美性指的是它以文学作品为基础，关注做作品所传达的艺术性和美学性，批评者需要按照美的规律，从文学作品的美学方向出发对原著进行审美性分析，作出审美判断和评价，使读者能够更好的理解和认识到作品，提升读者的审美情趣和阅读能力。

3.英美文学中的文学批评具有科学性。

任何形式的文学批评都不应该脱离科学发展的实际，正确的文学批评在批评者进行美学、艺术学批评的同时也要利用理性的 逻辑思维 方式，对文学作品进行客观的批评。批评者需要具备科学的创造性，用科学的研究 方法 、研究思维、研究理论对文学作品进行客观公正的批评，并且能够以客观事实为基础，查阅大量丰富的文学资料来对原著进行周密的、系统的分析和判断，不可参杂大量的个人主观思想、狭隘偏见，以对原著进行科学的文学批评。

四、结束语

英美文学中的文学批评存在多种不同的理论，不同理论学派所持有的观点也不尽相同，每个学派之间都有其丰富的理论基础，从多维的角度去进行主客观的文学批评，正是因为文学批评有着其自身科学性、审美性、公信力等方面的特点，能够包容多种批评学派的存在，对文学作品进行客观、科学的批评。文学又有着其特殊的地方，不同于其他客观事物，不能用一般规律去对它进行解读和分析，正是因为有了文学批评的存在，才能够在不同读者角度，不同理论支持下对英美文学作品进行深层次的分析和解读，探究作者想要表达的观点，了解原著作者的真实意图， 总结 归纳英美文学发展特点，以便更好地学习。

参考文献

1、英美文学课的困境与多媒体辅助教学刘仪华南通师范学院学报(哲学社会科学版)2000-10-3025

2、高校英语专业英美文学类课程教学现状调查鲁吉西安外国语学院学报2003-12-0124

摘要：随着时代的发展，我国高等教育需要培养人文素质与科学素质相结合的人才，以促进学生的全面发展.如果学生只注重科学知识而忽视其人文素质的培养，将会成为一个只拥有知识而没有智慧的人。

关键词：英美文学;英语教学

英美文学导入作为一种新的导入模式，可以拓宽大学英语的教学模式，符合《要求》中集多种教学模式的需要.另外，我国普通高校特别是理工科院校的学生大都是理科生，在高中阶段把注意力集中在数理化和生物的学习上，对英美文学知识的了解相对较少，《要求》中提出大学英语教学要提高学生的综合 文化 素养，在大学英语教学中有必要融入英美文学导入，使学生更多地了解英美文学知识和西方文化，这有助于提高学生的学习兴趣，培养其综合文化素养.目前，我国普通高校的大学英语教师在学习期间都学习过英美文学，其中一些教师在研究生阶段的研究方向就是英美文学.教师掌握丰富的英美文学知识，有能力在导入中融入该方面的知识.所以，从大学英语教学要求、学生的求知欲和教师能力几方面来看，英美文学导入融入大学英语教学具有一定的可行性.

受传统大学英语教学模式单一的影响，很多学生在学习过程中产生厌学感、疲惫感和焦虑感，影响学生学习的积极性和学习效率，而文学导入“可以减轻学习者的焦虑感，以利于语言习得”[2].英美文学导入可帮助学生摆脱传统大学英语教学模式单一的负面影响，对新时代的大学英语教学具有积极的促进作用.

1有助于提高学生的学习兴趣

著名科学家爱因斯坦曾说过:“兴趣是最好的老师”.当学生对一门学科感兴趣时，即使没有家长、教师的督促，学生也会对这一学科不断地探索和学习，从中获得学习这一学科的乐趣.目前，我国大多数学生从小学三年级开始 学习英语 ，到大学一年级基本学习了十年英语，多数学生已经对英语产生厌倦感.所以，让学生继续学习英语的最好办法就是不断提高他们对英语的兴趣.英美文学方面的知识在高中阶段接触得较少或只接触一些浅显的内容，在导入中加入英美文学内容会使学生们觉得很新颖，从而能集中注意力认真听老师讲解并提高学习兴趣.在《新视野大学英语》读写教程第一册第七单元“FacetoFacewithGuns”中有一个 句子 :Turingthosepa-gesandstudyingtheirphotographsislikeflowingonthesadcurrentthat，likeBlake’sThames，seemsto“markineveryface，marksofweakness，marksofwoe[3]”.这句话实际上引用了美国著名浪漫主义诗人威廉•布莱克的著作《伦敦》中的诗句，教师可以通过对浪漫主义时期的诗歌特点对《伦敦》进行分析，可以增强学生对诗歌的欣赏能力和对课文中句子的准确理解.《新视野大学英语》读写教程第二册第六单元中，SectionA部分的 文章 标题是“AsHisNameIs，SoIsHe!”，有的教师会根据文章标题从人名的角度进行导入，但如果从文学角度进行导入会更加激发学生们的兴趣.这个标题实际上出自《圣经》箴言第七章，原句是“Asamanthinkethinhisheart，soheis.”教师可以从《圣经》这个角度进行导入，学生基本都听说过《圣经》，但了解得不是很多，教师可以给学生们介绍《圣经》中伊甸园、诺亚方舟、出埃及记等著名的 故事 .另外，《圣经》不仅是__的经典，也是西方文学的源头，许多英美文学中的著名作品都与《圣经》有关.综合考察这些受《圣经》影响的文学作品，我们会发现，文学作品对圣经 典故 的运用非常灵活多样.就圣经典故的类型而言，就有语典、人典、事典、意象、结构模式、观念等诸多种类[4].霍桑的《红字》、梅尔维尔的《白鲸》、斯坦贝克的《愤怒的葡萄》和福克纳的《喧哗与骚动》等许多英美文学经典作品中的对白、典故和意象都源自《圣经》.通过从《圣经》角度进行导入，学生们可以了解《圣经》与文学作品之间千丝万缕的联系，并增加对英美文学和英语的学习兴趣.

2有助于学生了解西方文化

在阅读英美文学作品时，学生们可以从中了解更多的西方文化，在国际交流中可以避免不必要的文化冲突.《新视野大学英语》读写教程中出现了爱尔兰作家奥斯卡•王尔德、英国诗人威廉•华兹华斯、约翰•弥尔顿和美国作家大卫•梭罗，教师可以从他们的作品作为切入点进行导入，用这些作品帮助学生了解西方文化.教师也可从课文中出现的单词进行导入，《新视野大学英语》读写教程第三册第四单元中出现了colony这个单词，学生们看注释都知道它是“殖民地”的意思，教师可以从文学角度进行导入，欧洲的清教徒移民在北美先后建立十三块殖民地，美国文学深受清教主义的影响，清教主义对美国文学的影响就如儒家思想对中国文学的影响一样深远，历史学家巴斯认为，没有对美国清教思想的了解，就不可能理解美国社会[6].清教徒提倡的谦卑、诚实、勤奋、节俭以及在艰难环境下的乐观精神也对美国社会产生深远影响，清教主义奠定了美国民主并塑造了美国人民的性格，美国人的勤奋、节俭和乐观与清教主义是分不开的.同时，很多美国作家在创作中深受清教主义的影响，这些作家的作品文风简朴，语言清新、直接.所以，通过对清教主义的讲解，有助于学生从根源上了解美国人的性格，有助于对西方文化有更深层次的了解.

3有助于提高学生的人文素质

随着时代的发展，我国高等教育需要培养人文素质与科学素质相结合的人才，以促进学生的全面发展.如果学生只注重科学知识而忽视其人文素质的培养，将会成为一个只拥有知识而没有智慧的人.人文素质可以帮助学生形成正确的人生观、世界观和价值观，促进精神方面的修养.《新视野大学英语》读写教程第二册第七单元“LightenYourLoadandSaveYourLife”中出现了本•富兰克林，教师可以把富兰克林作为导入的对象.富兰克林不仅是政治家、科学家，还是著名的文学家，在他的《自传》中，富兰克林为自己规定了十三条需要培养的美德，包括节制、沉默寡言、生活秩序、决心、简朴、勤勉、诚恳、公正、适度、清洁、贞洁和谦虚等.这十三条美德对当今的大学生提高人文素质具有一定的积极作用，教师可以让学生以富兰克林为典范，在日常生活中以十三条美德要求自己.教师也可以让学生们对这些美德进行自由讨论，相互交流，并对目前社会中存在的不良现象进行评价，有助于提高学生的分析能力和社会责任感.所以，英美文学导入是新时期高等教育的重要组成部分，也是提高学生人文素质的重要手段.

我国高等院校，特别是理工科院校的非英语专业学生对英美文学知识了解得相对匮乏，同时大学英语教学的导入方法也比较单一.所以，教师在大学英语教学中利用英美文学知识进行导入，既可以解决课堂导入的单一问题，又可以增强学生的学习兴趣，增加学生对英美文学知识的了解，有助于他们了解西方文化并提高其人文素质，这符合我国高等教育培养全面人才的发展需要，满足21世纪对复合型人才的需求.

参考文献

1、英美电影文学的多媒体教学模式周震,丁文英外语电化教学2002-02-2026

2、独白与交往,何去何从?——浅论英美文学课程的教学吕洪灵;外语与外语教学2006-08-0126

英文学术论文范文相关文章：

1. 英语学术论文范文

2. 编辑视野下的英文学术论文写作论文

3. 学术论文英文题名和英文摘要的写作

4. 关于学术论文中文摘要英语翻译的思考论文

5. 研究生中英文学术论文写作课程的构建论文

写在前面的话：本文来自于本人的一次课程作业综述，当时还是写了很久的，不想交上去就完了，所以发上来留个纪念。 将注意力机制用在计算机视觉任务上，可以有效捕捉图片中有用的区域，从而提升整体网络性能。计算机视觉领域的注意力机制主要分为两类：(1) self-attention；(2) scale attention。这两类注意力从不同的角度进行图片内容理。本文将分别就这两种注意力机制进行说明，并列举相关的文献。 注意力是人类大脑固有的一种信号处理机制。人类大脑通过快速从视觉信号中选择出需要重点关注的区域，也就是通常所说的注意力焦点，然后重点处理这些区域的细节信息。通过注意力机制可以利用有限的大脑资源从大量的信息中筛选出有价值的信息。注意力机制最初被用在深度学习任务上是在机器语言翻译领域，将源语言翻译成目标语言，目标语言中的词并非与源语言的所有词都同等相关，而是仅与特定的几个词有相关性。因此，注意力机制可以将这个词的注意力分配到这些最相关的词上。之后，[1]中提出自注意力机制 (self-attention)，并将其用于Transformer模块中，极大提升了翻译模型的精度和并行性。与传统的注意力机制不同，self-attention的查询（query）和键（key）属于同一个域，计算的是同一条语句（或同一张图片）中不同位置之间的注意力分配，从而提取该语句（或图片）的特征。 [2]首先将self-attention用于视觉任务中，提出了non-local network，来捕获图片（或视频）中的长程依赖（long-range dependency）。Self-attention机制在视觉任务，如语义分割[3]，生成对抗网络[4]中取得了巨大的成功。它解决了卷积神经网络的局部视野域问题，使得每个位置都可以获得全局的视野域。不过，由于在视觉任务中，像素数极多，利用所有位置来计算每个位置的attention会导致巨大的计算和显存开销；另一方面，由于self-attention简单将图像当成一个序列进行处理，没有考虑不同位置之间的相对位置关系，使得所得到的attention丧失了图像的结构信息。之后对于self-attention的一个改进方向就是，在self-attention中加入相对位置信息或绝对位置信息编码。 除了self-attention，视觉任务中另一类注意力机制为scale attention。与self-attention不同，scale attention基于每个位置本身的响应。就分类任务而言，每个位置的响应越大，则其对于最终的分类结果影响越大，那么这个位置本身的重要性就越强。根据响应大小有选择地对特征图进行强化或抑制，就可以在空间（或其他维度）上达到分配attention的目的。[5]所提出的SENet，就相当于channel-wise的attention。类似的还有GENet[6]，CBAM[7]等，GENet将SENet中的channel-wise attention扩展到了spatial上，CBAM设计了串行的两个模块，分别进行channel-wise attention和spatial-wise attention的计算。另一篇工作residual attention network[8]也属于这一类attention，与SENet系列不同之处在于，本文采用bottom-up top-down形式得到spatial attention，再将其以残差的形式作用回原来的特征。这一类注意力机制仅仅基于图像中每个位置本身，对显著区域进行增强，非显著区域进行抑制，比self-attention机制更接近与人类视觉系统的注意力机制。 普通卷积将特征图的每个位置作为中心点，对该位置及其周围的位置进行加权求和，得到新的特征图上该位置对应的滤波结果，对于边缘，必要时可以用0进行填充。这一操作可以有效提取图片的局部信息。随着网络加深，卷积层不断堆叠，每个位置的视野域也越来越大，网络提取到的特征也逐渐由一些low-level的特征，如颜色、纹理，转变到一些high-level的结构信息。但是，简单通过加深网络来获取全局视野域，所带来的计算开销是很大的，并且，更深的网络会带来更大的优化难度。 Self-attention操作[2]可以有效地捕获不同位置之间的long-range dependency，每个位置的特征都由所有位置的加权求和得到，这里的权重就是attention weight。由此，每个位置都可以获取全局的视野域，并且不会造成特征图的退化（分辨率降低），这对于一些密集的预测任务，如语义分割、目标检测等，具有很大的优势。 图1展示了self-attention的网络结构。给定输入X，将两个1x1卷积分别作用于X上，得到的两个特征利用f(⋅)得到相关性矩阵，图中展示的f(⋅)为矩阵乘法。最后将相关性矩阵作用在原特征经过1x1卷积变换后的特征上。 公式（1）展示了第i个位置的相应的计算方法，其中f(⋅)为相关性函数，g(⋅)为变换函数，x_i为输入第i个位置的特征，y_i为第i个位置的输出特征，C(x)为归一化因子，一般采用总位置的个数。 由于self-attention可以有效捕获图片（或视频）中的长距离依赖，从而在不影响特征分辨率的同时获取全局的视野域，在视觉任务上引入self-attention，可以带来较大的性能提升。 论文[2]将self-attention用在视频动作识别任务上，如图2，对于视频中动作的识别，可能会跨越多帧，需要建立多帧视频之间的联系，self-attention的这种长距离依赖的特征就能有效建立多帧不同位置之间的联系。 论文[2]将self-attention用在分割任务上。由于孤立预测每个位置的类别很容易导致分错，分割任务需要结合每个位置的上下文对该位置进行分类。文章定义了所谓物体上下文（object context），即每个位置所属于的类别构成的集合，即为这个位置所属于的object context。 Object context是由不同位置的特征相似度来定义的，也就是self-attention过程中的相似度矩阵，将相似度矩阵与原特征进行相乘，即可将object context作用于该特征图。由此，文章提出了Object Context Network（OCNet），如图3。其中，base-OC为基本的self-attention模块，pyramid-OC和ASP-OC分别将self-attention与PSP模块和ASPP模块结合，在提取object context的同时，利用不同倍率的pooling操作或不同ratio的dilated convolution获取多尺度的特征，最大程度的利用context信息对原图进行分割。不过，本文虽然提出object context为每个像素及所有其他与其属于同一类的像素构成的集合，在实际操作的时候却并不是这样计算每个位置的object context的，特征上的相似性并不一定代表属于同一位置。因此，用object context来给self-attention新的解释，在说服力上还是存在一定问题的。 Scale attention是另一种注意力机制，与self-attention不同，scale attention是只基于key context的，对图像中的显著性区域进行增强，其他区域相应的进行抑制，从而使得输出的特征具有更强的区分性。这一类注意力机制的代表工作包括，residual attention network[8]，squeeze-and-excite network[5]，gather-and-excite network[6]以及CBAM[7]。 [8]提出，在分类网络中，网络深层比浅层更关注于被分类的物体，也就是图片的主体内容，这是因为，深层网络具有更大的视野域，可以看到更广的范围；而浅层网络只能看到每个位置及其邻域。因此，如果将网络较深层的信息作为一种mask，作用在较浅层的特征上，就能更好的增强浅层特征中对于最终分类结果有帮助的特征，抑制不相关的特征。如图5所示，将attention作为mask作用在原来特征上，得到的输出就会更加集中在对分类有帮助的区域上。 因此，文章提出一种bottom-up top-down的前向传播方法来得到图片的attention map，并且将其作用在原来的特征上，使得输出的特征有更强的区分度。图6展示了这种attention的计算方式。由于更大的视野域可以看到更多的内容，从而获得更多的attention信息，因此，作者设计了一条支路，通过快速下采样和上采样来提前获得更大的视野域，将输出的特征进行归一化后作用在原有的特征上，将作用后的特征以残差的形式加到原来的特征上，就完成了一次对原有特征的注意力增强。文章还提出了一个堆叠的网络结构，即residual attention network，中间多次采用这种attention模块进行快速下采样和上采样。 这篇文章在视觉领域开前向传播的注意力机制的先河，之后的注意力机制都是采用这种前向传播过程中得到的attention进行增强，并且一般为了优化方便，都会以残差的方式进行。 Squeeze-and-excite是另一类scale attention。与residual attention不同，squeeze-and-excite通过global pooling来获得全局的视野域，并将其作为一种指导的信息，也就是attention信息，作用到原来的特征上。 [5]提出了squeeze-and-excite network（SENet），提出了channel-wise的scale attention。特征图的每个通道对应一种滤波器的滤波结果，即图片的某种特定模式的特征。对于最终的分类结果，这些模式的重要性是不同的，有些模式更重要，因此其全局的响应更大；有些模式不相关，其全局的响应较小。通过对不同通道的特征根据其全局响应值，进行响应的增强或抑制，就可以起到在channel上进行注意力分配的作用。其网络结构如图7所示，首先对输入特征进行global pooling，即为squeeze阶段，对得到的特征进行线性变换，即为excite阶段，最后将变换后的向量通过广播，乘到原来的特征图上，就完成了对不同通道的增强或抑制。SENet在2017年的ImageNet2017的分类比赛上获得了冠军，比之前的工作有了较大的性能提升。 [6]进一步探索了squeeze-and-excite在更细的粒度上的表现，提出了gather-excite操作。SENet将每个通道的特征图通过global pooling得到一个值，本文采用了不同步长的pooling（2x，4x，8x，global），然后利用上采样将pooling后的特征插值恢复到原来大小，最后作用在原来特征图上，具体操作如图8所示。不过，实验结果显示，global pooling的性能最好，将特征区间划分得更细致虽然增加了参数，但是反而会带来性能的下降。 [1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in neural information processing systems. 2017: 5998-6008. [2] Wang X, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7794-7803. [3] Yuan Y, Wang J. Ocnet: Object context network for scene parsing[J]. arXiv preprint arXiv:1809.00916, 2018. [4] Zhang H, Goodfellow I, Metaxas D, et al. Self-attention generative adversarial networks[J]. arXiv preprint arXiv:1805.08318, 2018. [5] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7132-7141. [6] Hu J, Shen L, Albanie S, et al. Gather-Excite: Exploiting feature context in convolutional neural networks[C]//Advances in Neural Information Processing Systems. 2018: 9401-9411. [7] Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 3-19. [8] Wang F, Jiang M, Qian C, et al. Residual attention network for image classification[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 3156-3164.

one one one one oneone one one one one one one one one one one two two two two