算法策略研究论文

小学数学计算教学策略论文

在日常学习和工作生活中，大家都经常接触到论文吧，通过论文写作可以培养我们独立思考和创新的能力。如何写一篇有思想、有文采的论文呢？下面是我帮大家整理的小学数学计算教学策略论文，欢迎阅读，希望大家能够喜欢。

针对小学生在数学计算中经常出现的题目，引导学生进行反复的练习，增强小学生对数学的计算能力，提高小学数学教学的整体效率，从而促进小学生整体数学成绩的提升，实现小学数学教学的主要目标。

摘要：

数与计算是人们生活、学习、科学研究和生产实践中应用最广泛的一种数学方法;数与计算是人们认识客观世界和周围事物的重要工具之一;数与计算的学习对学生思维能力的发展有重要影响;学习数与计算的过程是培养和发展学生逻辑思维能力的过程。因此，教师要注重对“计算教学”相关教学策略的研究和掌握。

关键词：

小学数学;计算教学;方法

小学数学教学过程中不断融入了计算机教学的方法，部分教师认为计算机属于机械方面的操作，教师在日常教学的过程中利用计算机只需要输入公式便能得到相应的计算结果。在实际教学过程中，教师容易产生对教学策略的忽视，形成小学数学教学“高投资低效能”的结果，学生对数学题目的计算速度较慢，且准确度也不高，小学生整体数学计算效率低下。因此，作为小学数学教师需要在日常教学过程中加强对数学策略的探索，不断提升小学生的数学计算能力，促进小学生全面发展。

一、依据小学生身心发展特点进行教学

在小学数学计算教学过程中，教师一直采用传统的教学方法，学生对教师的教学方式较为生疏，从而造成了学生对教师教学方式的不理解，小学生整体数学计算能力较为低下。这样的教学方式与小学生身心发展特点相违背，不利于小学生对教师教学方法的理解。因此，作为小学数学教师，需要依据小学生身心发展的特点进行教学，改变以往生疏的教学方式，采用学生较为熟悉的方法进行数学计算教学，不断提高小学生的整体教学能力。针对低年级的学生，教师可以借助相关的工具，让学生能够从实践中获得数学计算方法，从而提升小学生整体数学计算能力。此外教师可以采用归纳计算的方法对学生进行教学，培养小学生数学思维能力，营造一个良好的教学氛围，让学生能够在相对轻松的氛围中进行数学知识的学习，从而不断提升数学能力。

然而小学高年级学生在长期的基础知识学习过程中，有了一定程度的理解能力。作为小学数学教师在对高年级学生进行数学教学过程中，可以引导学生观察数学题目，在乘法的教学过程中教师可以指导学生进行小数点的转换，两个相乘的因素同时扩大倍数，去掉小数点，然后所获得的结果再去掉所扩大倍数的乘积即可。此外，针对不同学生需要采取不同的指导，要充分尊重学生的个体差异性，通过加强对学生的题目联系来提高小学生的数学计算能力。这样的教学方式学生在学习的过程中能够很容易理解，在不断归纳总结的过程中能够掌握数学计算的方法，从而提升小学生的整体数学计算能力。

二、引导学生进行估算训练

在实际生活中，人们对估算的计算方法运用得较多，然而在小学教学过程中，教师往往注重精确计算的教学，使学生在估算能力上非常薄弱，造成小学数学教学缺乏实践性。因此，作为小学数学教师，在日常教学过程中，适当地对学生进行估算知识的教学，让学生在生活中形成估算的习惯，采用多种教学方式培养学生的估算技能。教师在进行估算教学的过程中，针对学生的估算结果，可以引导学生再进行精细的计算，检验估算的数字与实际数值之间存在的差距，在此过程中不但能够提升小学生的估算能力，还能检验学生的精细计算技能，从而提升小学生数学计算能力。此外，在数学教学的过程中教师需要引导学生进行课堂交流，对自身的计算方法与同学进行讨论，相互学习，实现共同进步。

三、教师引导学生进行错题分析

学生在学习过程中其实是不断实践的过程，能够对自身的学习能力进行不断地检验，小学生在数学知识的学习过程中需要对诸多的题目进行计算，在整个计算的过程中出现错误在所难免。尤其是低年级的学生，学生身心都处于发展的阶段，在课堂中，教师所教授的内容在课后很容易遗忘。例如，在数学计算过程中经常涉及加减法计算，学生在进行计算的时候很容易出现多加少减的现象，或者是在计算的过程中某些数字忘了书写，从而造成计算中的错误。因此，作为小学数学教师，在日常教学过程中要加强对小学生错题的集中分析，掌握小学生在数学计算过程中常见的错误，从而针对这些错误总结出相应的解决办法，将方法教授给学生，使学生在数学计算的过程中避免出现错误。

此外，教师要端正学生的学习态度，规范小学生的计算书写形式，避免学生由于书写潦草而出现答案上的错误，从根本上提高小学生的数学成绩。综上所述，小学生在数学学习过程中出现错误在所难免，要想提高学生的数学成绩，首先，作为小学数学教师需要转变自身的教学方式，在日常教学过程中教授给学生正确的学习方法，减少学生在数学计算过程中出现错误。此外，针对小学生在数学计算中经常出现的题目，引导学生进行反复的练习，增强小学生对数学的计算能力，提高小学数学教学的整体效率，从而促进小学生整体数学成绩的提升，实现小学数学教学的主要目标。

参考文献：

[1]戴阳.试论小学数学生活化教学策略[J].数学教学,2012(15).

[2]武清芳.浅谈小学数学生活化教学策略[J].教育在线,2013(10).

摘要： 如何培养小学生高效准确的计算能力，是小学教师的重点工作之一。计算能力与我们的生活和学习息息相关，而小学阶段，正是我们培养计算能力的最佳时期，因此，现代小学数学教学提出了一些符合现代小学计算教学的有效策略，并以此来提高小学生普遍较差的数学计算能力。

关键词： 小学数学；计算；教学策略

现代小学教学中，培养和发展学生的综合素质和专业技能是十分重要的，而计算能力是学生必须培养的能力之一，同样也是小学教学的基础内容。尽管《义务教育数学课程标准》降低了对学生的计算能力的要求，但计算能力对学生所体现出的积极促进作用是无法被改变的。因此，不断提高小学数学计算教学的有效性成为小学老师的重点工作之一。基于此，本文针对小学数学计算教学，提出了有效的教学策略。

一、传统数学计算教学存在的问题

第一，计算教学与生活不够密切。题海战术和大量题库的机械练习让学生失去对计算的兴趣，很多教师只是通过重复练习来培养提高学生的计算能力，并没有将计算教学同生活中的例子联系起来，这无法解决学生计算能力较差的根本问题。第二，课堂讲解同练习相分离。传统小学数学计算教学通常缺乏合理性，前半节课运算法则的讲解加上后半节课学生自己做练习的单一模式无法提高学生的计算兴趣，很容易使学生产生抵触心理。第三，学生综合能力欠缺。现实教学在教学过程中重结果，轻过程，过分注重学生的应试能力，而忽略了学生个人的情感变化，没有注重提高学生的综合素质和专业技能，从而无法提高计算能力。第四，单一的`题海战术。受应试教育的影响，只注重计算结果而忽略过程的教学方法让学生对数学失去兴趣，这些都是目前亟待解决的问题。

二、提高小学数学计算的具体教学策略

1、教材内容是重点

教师必须深入分析教材内容，在深刻了解教材背后隐藏含义的基础上，积极展开教学活动。第一，了解教材知识体系，系统总结教材知识，完整构建知识网络。第二，合理分析教材中的重难点，选取与教学目标相匹配的教学内容。第三，根据现代教学新课改的要求，在教学过程中有针对性地进行预测、做出准备。例如，关于四则运算的教学过程中，教师应注重领导学生多做常见题型，并结合应用题型，以此来提高学生的综合能力及专业技巧。教师应以课本为主体，关注学生的心理状态和需求，加强与学生之间的交流，使学生主动接受教学内容，自主培养学习能力，通过计算练习培养学生灵活计算、举一反三的能力。

2、注意课堂中的情境教学模式

小学生很难在课堂上集中注意力，他们自制力差，好奇心重，因此，在进行教学时，教师要积极创造教学环境，不能直接运用传统的教学方法，让学生失去兴趣。在计算教学中，教师应该切合实际，将数学知识导入课堂，引起学生的兴趣和注意力。例如，在学习除法运算时，教师可以利用实物如苹果或者梨子来进行教学演示，请同学上台将9个苹果平均分成3份，得到9÷3=3的结果，实践中的学习能够巩固和加深学生对于计算的理解和记忆，这对提高学生计算能力有着十分重要的意义。生活化的情景教学模式能够逐步改变学生对计算的看法，让他们意识到计算在生活中的实际广泛应用，也能达到提高学生主动计算、积极计算的目的。首先，增强学生主动将实际生活与计算教学内容联系的意识。例如，教师可以在课堂设置以下教学场景：“假期某某学生计划与妈妈去看电影，儿童票半价，成人票售价35元一张，同时购买了一些零食，请同学计算此次看电影总共消费多少钱？”例如此类与生活息息相关的计算问题，能够让学生意识到计算能力在生活中的重要性与实用性，改变学生对计算的看法。

3、引导同学之间的计算交流

教师可以在教学过程中，充分利用学习小组提高和培养学生的计算能力和专业技巧。首先，布置一定复杂性的练习题，这就要求学生必须通过学习小组的交流合作共同完成作业，而教师需要做的就是提前按照一定条件合理分配好学习小组。其次，在学生自己完成计算习题时，教师应主动引导学生交流合作、提出意见、总结计算方法、得出正确结论。在此过程中，一方面，教师引导学生得出正确的答案，另一方面，也是最关键的，通过学习小组，学生能够主动发表意见和看法，并积极听取其他同学的理解和认识，既能利用自己掌握的计算技巧进行计算，又能吸取借鉴别人的计算技巧和思维方式，并最终将别人的高效学习技巧转变为自己的能力，最终达到培养计算能力的目的。

4、注重因材施教的教学方法

面对不同学生学习水平和理解能力的差异，应开展不同的教学形式，以下是具体的几种有利于提高小学生数学计算的具体方式：第一个，做游戏。通常情况下，儿童的专注力很难投入到课堂中去，他们的注意力很容易被周围环境所影响，而没有哪个儿童不喜欢做游戏，针对低年级的拼音教学，这种做游戏的形式能够让他们积极主动地参与到学习中。第二个，会表演。例如，在讲到龟兔赛跑这一课时，教师可以让同学们角色扮演，分别饰演文章中的小白兔和小乌龟，老师可以充当解说员，这样一来，台上表演的同学积极投入到课堂表演，而台下的同学也认真观看表演。在此基础上，学生们可以对教学内容有更深的理解和感悟。第三，比赛式，小学生争强好胜，在数学课堂中，可以根据教材特点，开展小型的学习比赛，这种比赛式的教学方法能够刺激学生的积极性。例如说具体奖励发纪念章或小红花，效果会更好。

5、重视巩固练习

通过练习，一方面，能够直接提高学生的计算能力，另一方面，能够在锻炼中培养学生的创造性思维能力，发展学生的自主学习意识，对于数学计算来说，这是强化学习效果的必要手段。而教师需要注意以下几点:第一，正确科学评估学生的易错点，通过练习题让学生掌握基本算法，并进行及时的练习检测，期间，教师应主动讲解做题思路和解题技巧。第二，课后练习题尤为重要，教师应根据学生的课堂表现和检测结果有针对地布置巩固练习习题。例如，如果学生对异分母分数的加减法中通分和约分认识的不够透彻，掌握的不够牢固，对此，教师可以进行相应的专项训练，以此来达到巩固练习的最终目的。

三、总结

总的来说，在新课改的大背景下，我国的教育体制对小学数学教学，更加注重综合素质的培养和专业技能的发展。小学教学内容和目标也相应地做出了调整，只有在发现和改善目前教学过程中存在问题的前提下，完善创新教材内容和教学方法、不断巩固练习，才能达到提高小学计算能力的目的。

作者:

李淑珍

单位:

宁夏西吉县将台乡将台小学

参考文献:

[1]倪品.小学数学计算教学策略的探究[J].考试周刊,2014,(12):78.

[2]孔祥红.也谈小学数学计算教学策略[J].关爱明天,2015,(7):379-379.

[3]王艳.浅谈小学数学计算教学策略思考[J].读与写(上,下旬),2015,(12):207-207.

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：