文摘
本文采用一种改进的人口multiorganizational粒子优化算法进行深入分析和研究了一个在线英语教学模型,并使用改变模型的实际应用。模型构建元素的初始建设从模型中提取混合学习在初中英语教学的模式。第一轮行动研究的主要目的是测试模型的每个元素的合理性,第二轮行动研究的主要目的是改进模型链接和提高模型的可操作性,和第三轮行动研究的主要目的是测试完善模型,探索模型。第三轮行动研究的主要目的是测试改进模型,探索应用程序模型的建议。三轮行动研究之后,我们终于获得了更成熟的混合学习模式教学在初中英语作为一门外语。主要通过比较英语的预处理和期末测验分数的实验对象和比较的预处理和后续测试数据相关的问卷调查,以下实验结论是:采用基于混合学习口语教学模式能有效提高学生的学习英语的兴趣,他们的态度和他们的英语技能包括发音、语音语调,对话交流,和口头表达,可以增强学生的团队合作和沟通能力、独立学习能力,评价意识,和能力。这single-guided学习机制可以有效地避免造成的冲击,很容易双导板传统PSO的角色。维学习策略构造一个学习模式为每个粒子通过学习从每个粒子的个体最优位置尺寸相应的群体最优位置的维度,分别。维学习正式融入学习范式只有提高范例,这样的健身空间学习策略可以避免学习范式和退化现象的现象“前进两步,后退一步。“维学习策略,因为每个粒子从最好的,虽然它有很强的开发能力,这可能会导致所有粒子快速收敛到最佳,使算法过早收敛。
1。介绍
随着信息技术的发展,传统的课堂教学已经不能满足教师和学生的各种需求在时间和地点方面,而网络教学打破了传统的课堂教学的时间和空间的限制,创造了一个环境,让学生可以学习甚至教室外。出于这个原因,添加信息技术导致了戏剧性的变化在格式的教学,教学资源的类型,和学生的学习行为。一种新的教学模式,结合网络教学的优势和传统线下教学、混合教学模式,出现了1]。线下教学和网络教学有其优点和局限性,不能互相取代。混合教学模式是一种教学模式,结合了传统的线下教学的优势和新兴网络教学(2]。这个模型使教育资源更丰富、学习活动更加多样化,特别是智能手机等移动终端的普及和ipod和一些优秀的应用的快速发展,使得学生学习随时随地方便而快速地用一个点击手机,打破时间和空间的局限在传统教学的学生。近年来,智能校园正在迅速建立和推广,教育数据呈指数级增长,教育正在迅速进入大数据的时代(3]。教学是一个动态的、交互式的、持续的过程,必然会产生大量的及时、多样的数据。这些数据作为判断学生的学习基础,进而对教师的教学标准。因此,挖掘和分析数据是必要的。学习分析是准确测量、收集、分析和报告的教育数据,使用不同的技术来分析数据,发现学生学习特点和理解教学和学习。常见的技术包括统计分析、聚类分析和相关分析。随着智能校园的普及,提高教育者和研究者们来关注学生的学习行为。随着信息技术的发展在教育、学习者增加了方法来获取知识和教育有更高的要求,更加关注教师是否可以定制和个性化教学。个性化教学是一种新的教学形式,近年来,它是一种通过刺激学习者想取得良好的教学成果和发展(4]。优化教学过程将为每个学习者的需要和对学习者的利益密切相关。在教育信息化的背景下,教育大数据,和个性化教学,混合教学模式已经出现。强大的现实意义分析混合教学模式下学生的学习行为。维学习只能正式融入学习范式的前提,它可以改善健康的范例。因此,维学习策略可以避免学习范式退化的现象。获得更深入地理解混合教学的教学模式和分析学生的学习行为混合教学模式下,本研究将学生学习行为的特点,探讨了学习行为和学习成绩之间的相关性,并确定影响因素的学习行为。它是应用于实践,以弥补缺乏学习行为在混合式学习和教学研究。
粒子群优化算法优化问题的主要选择,由于需要更少的内存,容易实现,收敛速度更快,并能提供更好的性能在不同的基准测试函数和工程问题。迭代算法和粒子群优化算法是基于许多评价函数计算的需求使得优化粒子群优化算法不恰当的地方健身计算耗时。在解决复杂的问题与多个极端,标准粒子群算法往往落入当地极端,导致过早收敛没有找到整个搜索空间的最优值;当搜索空间的维数很高,穷人算法具有搜索功能(5]。这些缺点限制了粒子群优化算法的广泛应用。因此,加快收敛,避免进入当地极端已经成为两个最重要的和有吸引力的目标粒子群优化算法的研究。勘探开发是两个主要的搜索机制的粒子群优化算法寻找最优解决方案。实现快速收敛,避免进入当地的极端,一个人必须平衡勘探和开发能力的人口(6]。探索搜索的区域与潜在的最优解搜索空间;更精确的搜索附近的人口进行最优的解决方案。过分强调探索将导致收敛,减少浪费在nonoptimal地区搜索时间。另一方面,过分注重开发将减少人口的多样性在搜索过程中,这可能是人口陷入局部最优。因此,如何平衡勘探开发能力在搜索过程是一个值得深入研究的问题。
摘要two-population维度学习策略的粒子群优化算法的角度提出了有效地发现和良好的信息保存在每个维度的人口,以及该算法的能力平衡勘探和开发强度进行了探讨。粒子群优化算法是一种启发式随机搜索算法,这个随机搜索机制缺乏确定性,不保证一定能找到最优解算法。在线学习平台,为学生提供丰富的资源,如文本、图像、音频、视频和动画,但这些资源大多直接提出,资源的组织混乱,内容和质量需要进一步优化。这导致学生的知识流失的现象在面对大量的学习资源。再次,缺乏相关性和适应性。虽然学生自治已经增加,学习的内容和路径保持整洁统一的每个人,和测试问题是固定的。
1.1。的研究现状
如何打破传统教学方法的束缚,实现学生的个性化发展已经成为目前中国教育面临的一大困境(7]。随着大数据的发展,云计算和人工智能技术,学习方法,教学,和认知发生彻底的变化。特别是大数据的发展教育使教育数据的收集和深入分析成为可能,使得教育资源的共享成为现实8]。如何能够收集和集成数据和使用数据来发现隐藏在它成为一个重要的方法来提高教育的核心竞争力,和整个社会已经进入了大数据的时代,帮助粒子逃离局部极值。TSLPSO减少的压力DLPSO适应性评估通过引入维学习子组。教育领域的繁荣促进教育改革与发展基于大数据在教育、研究和大数据已经显示出前所未有的发展势头(9]。的应用研究,基于大数据的个性化的自适应学习平台已成为研究的重点。自适应学习平台收集学生交互数据基于大数据技术和深入分析他们学习,给学生提供个性化的学习服务根据学习者的个体差异,在许多国家已生根,发展成个性化的自适应学习平台10]。美国自适应学习平台是目前最成熟的自适应学习平台。经过几十年的研究,它集成了心理学的研究成果,测量,认知学习理论和智能学习系统和先锋的设计和应用大数据在教育的个性化服务。通过收集学生的在线学习数据,它可以准确地预测和分析学生的优势,缺点,学习兴趣、认知水平和参与程度和个性化学习内容。它不仅符合学生的需求在很大程度上也对教师带来了很大的便利,家长和学校管理者在评估和管理11]。在这个阶段,中国也取得了许多有用的尝试在自适应学习的理论和实践,但大多数的研究仍在理论层面,很少有应用程序和实践在这一领域,还没有成熟的自适应学习平台。因此,通过对牛顿的研究自适应在美国的学习平台,它可以激励的发展适应中国的学习平台和个性化教学。
神经网络使用多层结构的基本处理单元是每一层的神经元网络,既包含线性叠加和非线性激活两种类型的计算,所以数学来说,神经网络是一种与嵌套结构,可以用来描述高度和非线性映射关系12]。神经网络并非都是一帆风顺,经历了很多低谷,因为它提出了,但每次出来的槽是一个突破,逐步成为当前人工智能的核心算法(13]。它的主要功能是反向传播算法,从而大大减少所需的时间模型的训练。随后,学者对BP神经网络的研究从未停止过。因为它没有问题的梯度消失更喜欢使用的神经网络层的网络环境中一个相对较小的数据量,该算法与简单性和效率的特点,训练速度快,适用于小样本大小一旦超越深层神经网络成为机器学习的主流。
它吸引了很多学者和研究人员进行深入的研究,由于其相对简单的概念,相对容易实现,和更好的全局搜索能力当解决一些更复杂的优化问题,如multipeaked目标函数时,非线性,nonderivative。如今,PSO算法已应用于许多工程实践,如模式识别、智能机器人和信号处理。改进算法用于解决参数的选择在机器学习的训练过程,改善模型性能,使BP神经网络在初始化阶段处于相对较低的损失培训,达到培训要求更快更好的模型,也可以使SVM模型有更好的hyperparameters和训练后的模型有更好的结果。
2。改善Multiorganizational粒子人口优化算法在线英语教学模式的应用程序
2.1。改善人口Multiorganizational粒子优化算法设计
人口的拓扑结构定义了信息共享和信息粒子之间的相互作用。粒子群算法基于邻居的拓扑控制算法的勘探和开发功能根据不同的粒子之间的信息共享机制。提出了一种新的信息流机制更新每个粒子的位置,即完整信息粒子群优化算法(FIPS) [14]。FIPS算法使用加权平均所有邻近粒子的个体最优位置更新给定的粒子的位置。统一的粒子群优化(UPSO)算法,它使用最优经验从本地和全球的邻居来控制人口的勘探和开发能力。动态社区学习粒子群优化(DNLPSO)算法,在选择范例粒子从邻近粒子的最优位置包括本身,粒子的速度可能会受到邻国的历史经验和自己的历史经验;当人口感知搜索已经停滞,人口变化信息的流通。当粒子的适应度我并不能提高K代内,粒子被认为是在停滞,此时粒子更新其邻国通过连接一个新的粒子(15]。粒子采用赌轮选择策略(基于粒子健身排名)选择一个新邻居。这样,后进生缺乏实践必须完成多达八个或更多的问题集,而学生更强的学习能力可以完成自适应跟踪后一个问题集。
PSO算法公式的分析结果表明,粒子的飞行轨迹是影响自己的飞行经历(个人最优)以及全球最佳信息在早期和后期收敛于全局最优(16]。这表明,有一个更好的全球最佳信息,能够指导粒子朝着一个更好的解决方案空间。获得更好的全球最佳信息,HPSO算法实现上执行多个科莎突变的位置更新最优粒子。大多数当前的最优粒子变异策略选择所有维度或随机选择一些尺寸突变;对于高维复杂函数,计算他们的健身会效率低下由于维度之间的干扰,导致一些维度变得更好,而且被其他维度蒙面,变得更糟;与多个突变相比,dimension-by-dimension突变更为高效。变分得到的解决方案通常是更好的(17]。在此基础上,变分的dimension-by-dimension向后学习战略重心的最好的粒子是提议,dimension-by-dimension变异可以减少多维交互干扰和落后的学习重心可以扩大搜索空间,增加种群的多样性,提高收敛精度。然而,dimension-by-dimension向后学习的计算开销很大,它并不适合所有粒子变异维度的维度:
随着网络时代的和转换的学习工具,方法,和资源,更适合connectivism数字信息时代,提出了基于行为主义。其中,联结主义学习理论认为,所有的知识和学习的起点是人,和个人的知识可以形成一个网络,在学习和知识共享的过程中,节点连接的网络和节点的其他个人、组织或机构碰撞和相互影响,新旧节点的连接使个人的不断扩大的原始网络形成一个更大的知识网络。在线协作学习过程中,学习者不再作为独立的个体存在,而是通过他们的意志和理性选择和形成学习小组完成教学任务以学习小组为基本单位。学习者的知识网络碰撞和与知识网络交互学习小组的其他成员,共同扩大原来的知识网络,提高学习者的知识框架体系,并提高在线协作学习的效果,如图1。
从上面的例子中,我们可以看到,当维学习策略构造一个学习范式,每次维临时范式更新的状态,它是与当前学习范式相比,如果它比目前的学习模式,学习范式更新当前的临时范式;否则,当前的学习模式是没有改变和学习过程仍在继续下一维度。面对面的口语教学的效果大大改善。下课后,对话练习安排通过翼类网络,和对话练习继续通过微信集团合作集团实现语言审查,整合、扩展,扩展和训练学生说话用英语课后,这是良好的说话习惯:
我们给块单峰和multipeaked功能多样性。搜索空间的维数在多样性验证实验是30维度,函数求值300000倍,人口规模是20。看到的是集成学习族群多样性高于维学习分组人口的多样性,和整个人口的多样性两个族群之间的多样性。多样性的结果表明,维学习分组人口保持较小的人口多样性,因此快速收敛。正如预期的那样,集成学习分组人口保持群体多样性较高,因为没有信息作为中央指导方向,因此,集团不迅速收敛到一个较小的程度上。平衡的勘探和开发提供的尺寸与综合学习小组合作学习小组导致一个中间多样性排名为整个集团,表明我们介绍的综合学习策略并增加群体的多样性。因此,多样性的结果比较验证设计期望维度学习小组倾向于本地开发,集成学习小组倾向于在全球的探索。两个亚种群的互动和合作确保全局搜索和快速收敛的人口:
很难找到的最优解的算法,当搜索空间的维数大于3,它可以被视为一种multipeaked函数(图2)。因此,大多数算法都不满意结果的功能。虽然3的最优解函数中的5个单峰函数,以上提出的,它对函数执行最严重。即使只有维使用学习策略,它仍然在噪声函数达到最优结果。总的来说,该算法显示了单峰函数(即更好的鲁棒性。,第一个5基准函数),从而获得较小的总和比冠军算法。Multipeaked函数包含多个局部最优解,这可能导致过早的PSO算法的收敛性。很难找到全局最优解的函数与传统PSO因为问题有很多很深的地方最适条件的全局最优解。组织或机构的节点碰撞和相互作用,以及新老节点的连接使个人的原始网络继续扩大,形成一个更大的知识网络。一次粒子的经典算法陷入局部最优,很难逃脱。 The improved multiorganizational particle population optimization algorithm has better resistance to the local optimum trap and thus achieves a high accuracy of 3.82E-04. The other 5 bodies, however, cannot converge to the global optimum effectively, and the worst result is 2.38 E+03. Functions are very complex multipeaked functions with many local extrema. For this problem, algorithms that maintain better diversity tend to produce better results. The algorithm achieves the optimal solution on both functions, 0. This is due to the dimensional learning strategy and the integrated learning strategy used in the algorithm TSLPSO, which effectively enhances the diversity of the particle search while improving the convergence accuracy.
用户有不同的评级目标对象的值,所以采取加权平均评级结果预测,和权重可以获得相似的用户之间的相似度和目标用户:
矩阵分解是将一个矩阵分解为两个或两个以上的矩阵的乘积。矩阵decomposition-based推荐算法用于构建用户评级预测模型的建模用户评级的对象,主要应用于两个场景:评级预测和头n个建议。目前,广泛使用的矩阵decomposition-based推荐算法隐藏因素模型(lem)的数量。线性调频的基本思想是将用户利益和项通过隐式特征,也就是说,相似性的存在。最早出现的隐藏因子模型是奇异值矩阵分解模型,称为圣言,计算
根据Wittrock,王生成学习理论,学习的本质是一个活跃的过程建设和一代的意义,在学习者建构意义的积极建立外部刺激和原来的认知之间的关系。这个建筑的“特殊外部信息之间的关联和现有知识和经验”被称为一代。生成学习理论的基本假设是“人类的大脑不是一个被动的接受者的信息,但一个活跃的构造函数”(18]。换句话说,学习者不是被动的接受者,而是积极参与学习过程,积极构建一个有意义的理解周围环境中的信息。然而,如果不注意,动机,和现有的知识记忆,建设的现有知识与新信息之间的关系不会发生。全面学习小组保持群体多样性高,因为没有从中央指导信息,所以该集团不会快速收集到一个较小的区域。同化+的信息加工理论,Wittrock提出的信息处理过程生成学习模型:注意力、动机、先验知识经验,和一代。注意引导的方向因素生成过程中,点生成过程的先验知识和经验。动机是指积极的欲望产生这两个连接和属性的有效性产生他们的努力程度;先验知识和经验包括现有的概念,反映认知、抽象的知识,和具体的经验,之前和学习者的认知结构和水平极为重要的生成意义的事情;代指的内在联系,形成新的知识和新的知识和现有的经验之间的连接。
2.2。在线英语教学模式应用程序的设计
建构主义认为,学生的知识是构建基于先验知识经验和认知结构,并积极通过有意义的建筑。知识的有意义的建设需要与外部环境的交互和使用其他艾滋病在某些情况下,例如,在别人的帮助下,包括老师,同学,和同伴,利用必要的学习材料和学习资源。建构主义学习理论强调认知动态,学习的环境性质,资源建设的意义的重要性,和教学环境的设计。上优于教学设计理论开发的建构主义学习的响应上述要求。它提供了新思路和新方法的设计和传播教学克服单向传播,被动,关闭在传统的教学设计。这种教学设计理论,特别明确的是在建构主义学习环境的图解表示模型中提出的大卫·乔纳森当代倡导,并促进建构主义教学设计,如图3。
混合学习教师带领学生作为其核心理念,和老师的教学和学生的学习都是极其重要的。建构主义学习理论也强调教与学的双重角色,设计有指导作用的混合式学习模式。同时,建构主义重视教学环境的设计,和混合学习有丰富的多媒体和网络技术,可以提供材料支持建构主义所要求的学习环境。通过建构主义理论的指导,混合学习可以有效地实现教学目标和学生的能力在各方面可以开发(19]。一次粒子的经典算法陷入局部最优,很难逃脱。它有更好的抵抗局部最优的能力陷阱,所以取得了3.82 e-04的精度高。研究者认为,随着移动互联网技术的发展和改善信息传递工具,建构主义学习理论将继续进一步发展提出了混合式学习的概念和实践,为投入实际应用提供了更广阔的空间。
当教英语作为一门外语在混合学习环境中,教师的第一步是将任务。由任务驱动,学生可以使用用英语积极通过完成特定的任务,积极参与各种任务真正做“学习”并获得和积累相应的学习经验,享受学习的乐趣。在英语口语教学的实际应用,基于任务的教学使学生沉浸在的情况下,真正获得情感体验和调整学习策略,形成积极的学习态度,促进他们的实用语言技能的提高。灵活使用混合英语合作学习的教学活动可以创建一个课堂气氛,激发学生的学习英语的兴趣,克服课堂焦虑,并激励学生积极发挥主观能动性,或维持高水平的参与在线学习,提高学生用英语交流的机会,一起完成口语学习任务,和提高学生口语学习性能和口语交际能力。
与多个优化目标的多目标优化问题存在,这些subobjectives常常相互独立和相互矛盾的,不能同时达到最优解。从理论上讲,最优分组过程多目标问题,和解决方案应该在一个多目标的框架设计。基于协作学习的教育理论,学习群体形成的基本原理是“组间同质性社会团体内部的非均质性,“组间同质性,确保所有的学习团体的成功,而社会团体内部的异质性取决于不同的研究主题和教师的教学需求。根据具体要求和原则提出的学习小组形成模型,设置相应的多维目标函数。由于许多约束的问题的特点,添加的约束违反度约束可能会使算法的可行域小,这直接导致了一些可行的解决方案和低可靠性的算法。因此,本研究采用的治疗方案每个约束的约束违反程度分别为宗旨,如图4。
在现实世界中,不存在任何简略的问题;换句话说,简略的问题定义主要为简单起见。这意味着大部分时间一个人只是选择需要考虑的最重要的目标的问题,而忽略了别人,从而将多目标问题转化为一个简略的问题。此外,有时只是选择一个目标,一个或多个其他目标视为约束(20.]。在这两种情况下,优化过程简化和重新定义为简略优化。从理论上讲,最优分组过程多目标问题,和解决方案应该在一个多目标的框架设计。学习群体形成作为多目标优化问题是一个重要的和复杂的一步有效的合作学习,和本研究的目的是提出一个方法基于启发式搜索策略来提高学习的组间同质性和异质性社会团体内部的组织协作学习环境,可以将任意数量的资格预审与多个特征学习者分组为任意数量的最优国际米兰——和intrahomogeneous团体21]。
因此,学习群体较小的总平均偏差百分比更有利的解决方案。通过吸收的信息处理理论和之外,怀特洛克提出的信息处理流程生成学习模型:注意力、动机、先验知识和经验,和一代。前面的声明清楚地表明,组内和组间异质性主要反映在价值观反映所有组的平均能力的解决方案。减少学习小组的整体误差值公式并不能保证所有组的误差值,构成了学习者同时最小化。换句话说,当安排优化算法来评估每个学习小组的平均健身价值,这将是对的健身价值构建学习者。
3所示。结果和分析
3.1。改善人口Multiorganizational粒子优化算法的性能结果
比较收敛速度、可靠性和性能的算法,成功的人物5给了一些关键指标,包括目标函数的平均数量评估(菲斯),成功率(SR),和成功的性能(SP)每个算法成功地达到可接受的优化精度。菲斯和SRs是用来量化算法的收敛速度和可靠性。从图5,TSLPSO收敛速度最快7日基准函数,其次是DLPSO(4日最快的收敛功能,即。、函数F2 F6、F7和F14), GL-PSO(3日最快的收敛功能,即。、函数F1、F3和F10),和L-SHADE(2日最快的收敛功能,即。、功能F4和F5)。从老的结果,TSLPSO是最可靠的平均成功率为100%,其次是DLPSO成功率98.62%。
收敛曲线的单峰函数,该算法TSLPSO显示高收敛精度和收敛速度快的大部分单峰函数除了F5的函数。multipeaked函数的收敛图形显示算法TSLPSO不仅收敛精度高而且收敛速度比大多数的算法。此外,DLPSO只有一个维度学习策略显示了这些multipeaked功能竞争非常激烈的表现。因此,TSLPSO通常是有效的为单峰和multipeaked函数的精度和收敛速度。
大多数现有的PSO算法使用一个线性加权的个体最优位置,尺寸随机组合,或正交组合的个体最优位置和群体最优位置来构造学习的例子,引导粒子搜索而不是个体最优解和组最优解的经典算法的速度更新公式。这single-guidance学习机制可以有效地避免传统算法产生的振荡现象,很容易double-guidance行动。
然而,学习范式由上面的方法是高度随机,不能确保学习范式不会退化,即使人口个体最优解和最优解进化每一代。粒子退化范例学习不利于维护算法的效率。的空间学习策略提出了允许每个粒子的个体最优位置尺寸学习相应的维度的人口最优位置分别构造范式时,和维学习正式纳入学习范式只有提高健身的范例,这样的空间学习策略可以避免退化的现象现象的学习模式和“前进两步,后退一步”现象,如图6。
虽然学习范式由维学习可以指导粒子搜索到更好的地区,大多数粒子接近人口的最优位置可能导致过早收敛问题。为了解决这个问题,我们引入一个集成的学习策略来提高种群多样性和帮助粒子逃离当地极端。TSLPSO减轻DLPSO适应性评价的压力通过引入空间学习的亚种。学习者表现出不同的跨资源演示当学习在线学习行为特征。探索基于文档的学习资源,本节的重点是三维的学习者的学习特征,即不同的学习知识类型、课程资源暑热,和课程资源学习成就,和数据可视化结果如图6。在研究过程中,课件资源不符合程序和描述性的知识特点是手动筛选,只有这两个主要的课件资源知识类型保留为研究对象。
3.2。应用英语网络教学模式的结果
自适应后续作业个性化作业的牛顿平台,利用教学时刻后熟练学习纠正学生的错误之前他们开发一个基本的了解和研究的继续下一个话题。完成学生工作来确定学生掌握和理解和他们没有什么,掌握项目的选择和问题库关闭个人理解的鸿沟。自适应跟踪作业也分析学生成绩水平学习任务选择最有利于学生的作业类型。自适应跟踪作业了,每个组问题基于先前的结果集的问题。促进他们的语言实践能力的提高,和灵活的混合英语口语教学活动中使用合作学习可以创建一个课堂教学氛围,激发学生学习英语的兴趣,克服课堂焦虑。学生进行自适应后续作业,直到他们完成分配的问题设置或掌握所有概念和材料。通过这种方式,学生缺乏实践和迟到学习者都必须完成多达八个或更多的问题集,而更高级的学习者可以完成自适应跟踪后一个问题集。学生完成后自适应后续作业,学生可以看到他或她回答这问题,他或她如何回答他们。自适应跟踪作业可以添加到所有能力学习任务。
老师第一集问题集学生收到的数量,每个大约需要15分钟,但细节会因人而异;之后,总点值分配给作业,最后,一个最后期限设置,是否表现良好的学生预计将自动获得完整的信用没有采取自适应后续作业。自适应跟踪作业为学生提供个性化的学习经验,帮助每个学生继续取得进展过程中在最适当的时间和最好的方式。总的来说,牛顿的分配资源可分为完全自适应作业和部分自适应作业,如图7。
从图7,可以看出,在资源暑热维度,视频资源的意思是10分钟以上高于平均5至10分钟的视频资源,和视频资源的意思是5至10分钟高于均值的视频资源在0和5分钟之间。视频资源10分钟以上的暑热H但较低意味着较高的资源学习成就G,表明学习者没有看整个视频。0 - 5分钟的视频资源有一个平均值高于均值当然资源学习成就G,虽然对辣度较低,表明学习者反复观看视频资源。资源设计师可以调整视频的长度根据目的;例如,如果目的只是给学习者的一般理解的知识,然后一个视频的长度超过10分钟或5 - 10分钟可以使用。如果目的是让学习者的知识,那么视频的长度可以使用0 - 5分钟。根据视频的内容有或没有老师,有或没有字幕,学习者的学习特点探讨了在三维空间中:视频资源展示、课程资源暑热,学习程度和课程资源,如图8。
此轮行动研究中使用的资源主要是相关话题课材料以及microlearning资源。面对面教学之前,教师发布的资源在一个微信类组prelesson观看。通过发布有趣的和有针对性的资源,学生口语学习的兴趣可以刺激,和学生可以专注于上课前的语言点,这样他们可以完全参与课堂活动和“兴奋”的问题,从而提高学生的交际能力更有效。通过微信视频转发功能,视频资源相关话题的背景被释放为学生观看上课前要理解语言的语言情境,丰富学生的语言材料,使他们理解和思考这个话题类之前,大大提高面对面的口语教学的效果。下课后,对话练习通过翼类分配网络和对话练习继续通过微信集团合作集团实现语言复习,巩固、扩展和扩展和培养学生的良好的说话习惯和课后用英语说话。
4所示。结论
三轮行动研究,研究者设计了口语教学的内容和教学过程的模式,不断反映和优化的实现策略和改进教学实践的教学过程。研究者进行了数次的问卷调查对口语教学中模型的实际应用效果,在纵向和横向和后续测试的数据比较和分析,发现在实验后,实验班的学生有更大的改善他们的英语学习兴趣和态度,合作沟通能力,独立学习能力,评价意识、能力、解决问题的效果,教学资源应用效果与控制班的学生相比。这导致的结论是,使用一个基于混合学习口语教学模式能有效提高学生的英语学习兴趣和态度,可以提高学生的小组合作交流和独立学习能力,可以提高学生的意识和能力的评价,并且可以提高解决问题的效率和教学资源的应用。DCOPSO算法与支持向量机相结合,传统的SVM hyperparameter搜索全球化差、精度低的特点,在使用DCOPSO搜索算法可以解决这些问题。该策略提高了种群的多样性和帮助人口跳出当地的极端。最后,two-population学习异质学习策略的粒子群优化算法提出了基于多维学习策略和集成学习策略。使用一个一群学习范式由维学习策略指导粒子的局部搜索,和其他族群使用学习范式由集成学习策略指导粒子的全局搜索。两个亚种群达到相互协作在搜索过程中通过不同的信息交互机制,从而有效地提高了算法性能。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
没有利益冲突。
确认
这项工作是由江苏连云港中医药高等职业技术学校。