错过语言关键期 英语就学不好了？******

　　羊城晚报记者 何宁　　

　　在孩子的学前教育阶段，很多家长最关心的是孩子的英语启蒙。不少家长为了抓住孩子的语言敏感期，从刚出生不久就给孩子听英语磨耳朵；孩子稍大一点，就报各种英语早教班、启蒙班等。但是不少小学生家长发现，学前的英语学习似乎是徒劳的，孩子以前会的单词和句子，到了小学全忘光了。对于明年9月入读一年级的准小学生来说，英语学科该如何做好衔接呢？

　　英语学习要循序渐进打牢基础

　　“孩子语言的学习确实有‘关键期’或‘窗口期’，但这个时间跨度很长，是3—9岁，幼儿英语启蒙可以抓，但家长们不要过度焦虑，如果没有掌握正确的启蒙方法，很有可能孩子到了中高年级阶段会对英语产生厌倦心理。”广东实验中学省实荔湾学校第一小学部校长易敏多年来的英语教学经验发现，兴趣是最好的老师，在培养孩子英语学习的过程中，家长要去功利主义，要保持定力、坚持长期主义。

　　易敏说：“从幼儿园就开始学英语的孩子其实承受了很大的压力，这些压力往往来自于家长过高的期望。我们都知道，一般英语的课外班，特别是有外教的课外班价格都不菲，很多重视孩子英语的家庭从孩子很小的时候就开始在英语启蒙上花费颇多，但是英语的学习很重要的一点是循序渐进，打牢基础，如果只是囫囵吞枣式学习，对单词的掌握不牢靠，一旦到了小学中高年级词汇量增大时，学业压力增大，有些孩子会失去对英语学习的自信、动力与兴趣。”

　　一年级开始学英语不会晚

　　谢女士的女儿现在广州一所名校读初二，英语成绩在年级一直名列前茅，在小学之前没有系统地学过英语。谢女士认为，女儿刚上小学时，英语确实在班里是落后的，很多同学因为幼儿园学过英语，有的还在双语幼儿园就读，口语和听力都遥遥领先。谢女士说：“现在回想起来，我觉得当时自己做得最正确的事情就是摆正心态，我们那个年代初中才开始学英语，但一样有很多出类拔萃的，语言学习关键看时间的付出，女儿从一年级开始学，一点都不晚。”

　　谢女士从培养女儿的学习习惯入手，每天督促女儿认真完成老师布置的作业。谢女士说：“小学一二年级的英语作业其实不多，也很简单，但是我要求女儿一定要把基础打扎实，课本上的对话不但要读出来，还要默写出来，而且保证每个单词都不能写错。女儿很听话，课本被她背得滚瓜烂熟，每次考试英语都能拿满分，这不仅让她养成了细心的习惯，还极大地激发了她学习英语的兴趣。到了小学高年级，她可以自主阅读简单的英语原版故事书，学习的兴趣更加浓厚。”

　　温馨提醒:

　　亲子关系、阅读兴趣比掌握单词数量重要得多

　　“从小学习外语，对幼儿来说更多的意义是在于学习能力的提升，而非语言能力的优势培养。在没有语境(沟通、交流的语言环境)的情况下，过早、过度、不得法地让孩子进行英语学习，反而会浪费有限的时间，甚至扼杀兴趣。”资深英语教育专家、广东金融学院国际教育学院雅思学科带头人何凌提醒家长，幼儿英语启蒙可以抓，但不要过度焦虑，3—9岁都是孩子语言学习的敏感期，小学一年级开始学习完全来得及。

　　何凌建议家长，为了激发孩子英语学习的兴趣，不妨利用精选过的原汁原味的英语儿歌和童谣进行针对性的语音启蒙，让孩子从小接受语音信号，培养英语的韵律感。

　　自身英语基础比较好的家长不妨陪着孩子进行英语绘本亲子共读，“如果家长自身英语发音比较标准，可以带着孩子一起读；发音不是太标准的话，可以借助音频。亲子共读既建立了良好的亲子关系，又培养了孩子阅读的兴趣，它比孩子掌握多少个单词远远重要得多。”

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟