文摘
在线教育的普及和应用,如何评估和分析课堂教学效果通过科学方法已成为高校的重要教学任务之一。在此基础上,本文研究了应用GA-BP神经网络算法。首先,简要概述网络教育的现状和GA-BP神经网络算法。其次,通过调查在线教育系统的许多方面,它对学生的在线教育课堂教学质量从五个方面,提出了一种更科学在线教育课堂教学质量评价优化模型,最后验证的可靠性在线教育教学评价模型通过实践在大学。结果表明,GA-BP神经网络评估优化模型可以有效地评估在线教育的过程中分析的在线教育课堂教学质量最专业的学生。
1。介绍
当前高校网络教育主要是基于传统的集体和组织教学,辅以分层教学的独立教学(1]。,情报已成为当前的一个重要特性在线教育课堂教学系统(2]。目前,现有的在线教育课堂教学系统提供了多种方法,但它是困难的为学生根据自己的在线教育知识体系架构和考试重点知识(3]。高校课堂教学质量的评价是相对落后,研究它在一些国家是相对先进的(4]。胡锦涛和秦发现,大部分的在线教育仍然遵循传统的教学理念,忽略了不同学生的特点和差异在线教育能力,所以在线教育在高校课堂教学效果不能达到最优状态(5]。Arciszewskl Ziarko提出一种自适应课堂教学模型基于多策略的高校网络教育技术。通过分析学生的个性和在线教育优势,不同级别的课堂教学可以为不同的学生,进行分层教学在教学过程中实现(6]。通过实验,丹尼尔等人已经证明的教学方法可以发挥良好的作用,有效改善在线教育课堂教学的有效性,并利用一系列指标来评估学生的在线教育能力(7]。基于传统模型的理论和实践经验的在线教育、马等人发现有问题的可怜的英语口语在当前网络教育课堂教学,所以他们提出了一个基于机器视觉算法自适应教学方法(8]。通过倾听分析不同的在线教育对话,高等人使学生达到深度思考的过程中学习的状态(9]。Chergui等人提出了一种新的在线教育教学方法,分析了不同的模块度的关系在传统的在线教育课堂教学中,并建立了多因素耦合分析模型(10]。Smys等人进行了一次综合评价选择的教学形式、教学内容的分类,学生的学习能力等,并采用不同的学生实验教学(11]。Bibault等人的研究结果表明,网络教育教学比经典的网络教育教学方法在获取异构信息(12]。Curtu等人提出了分层教学方法基于网络教育学理论通过不同的学生13]。卢卡斯等人通过教学实践验证它。最后的结果表明,适用于在线教育的教学计划,寻找最优的教学计划(14]。Alarifi等人提出了一种新的组在线教育和教学方法基于超混沌映射,利用混沌序列转化为争夺位置的原始网络的方法,并实现最优测定各种教学方法的过程中,高校网络教育课堂教学(15]。江诗丹顿等人的结果表明,该集团在高校网络教育的教学方案具有良好的教学效果,适合初级和高级的在线教育学生16]。综上所述,可以看出,大多数当前网络教育的高校课堂教学模式不涉及智能算法根据不同特点的学生团体(17]。有相对较少的研究成果在具体量化动态评价系统和在线教育课堂教学质量评价(18]。,没有研究高校网络教育的客观性和相关模型的构造19,20.]。
在这种背景下,本文提出一种GA-BP神经网络算法在线教育课堂教学质量评价优化模型。当地的聚类算法基于高度的关系,选择双相关因素,和三个特征参数与网络教育课堂教学模式和教学效果影响指数采用。在线教育课堂教学评价体系基于当地的聚类算法。通过网络教学的研究过程,分层框架和索引整个网络教育课堂教学系统的关系是明确的。本文从多个视角和评估系统提供了一个综合指数在线教育课堂教学质量评价的系统。然后,它使用GA-BP神经网络算法分析的特点,网络教育课堂教学的效果。本研究分为三个部分。第一部分介绍了研究现状影响因素的在线教育课堂教学的效果。第二部分构建了基于GA-BP在线教育课堂教学评价模型,构建了在线教育课堂教学质量评价指标体系,利用拉普拉斯方法因素。第三部分验证相关指标的在线教育课堂教学评价模型,得出结论。
2。GA-BP神经网络算法和基本思想在网络教学质量评价模型
GA-BP神经网络算法是一种常见的算法,有效地提取和发现不同数据之间的关联度。相反,GA-BP神经网络算法在许多领域已成为一个热点研究课题检索信息挖掘和目标等内容。要解决的问题”将目标数据集划分为多个组根据一定的规则。“一般说来,这是高度相关的分类过程组为一组和不相关的组。GA-BP神经网络算法也是一个自我挖掘的基本方法21]。GA-BP神经网络算法用于集群目标。其更多的应用领域检测信息协会和匹配的目标对象或搜索和屏幕未知目标模糊的方式。为了实现下面的数据挖掘算法,目标数据信息应该翻译成计算机识别的语言信息通过特定的模式(22- - - - - -24]。一般而言,相关技术人员将使用向量空间模型来处理特性数据信息化目标对象的方式。GA-BP神经网络算法是一种常见的数据挖掘和信息训练算法(25]。
本研究GA-BP神经网络算法适用于在线教育教学质量的评价。在此基础上,研究可以充分利用每个学生学习数据和测试结果的在线教育类,实现整个方法通过跟踪实时动态。每个比较的相似度和preperiod指数列和参考列可以定量描述当地的相关因素。数量指标用于在线教育课堂教学的影响程度排序指标,可以有效地分析影响因素在线教育课堂教学的质量。
2.1。优化模型的在线教育课堂教学质量评价基于GA-BP神经网络算法
2.1.1。施工过程的课堂教学质量评价的高校网络教育模式
为了实现科学分析网络教育的教学质量,本文以最专业院校的学生为基本研究对象,调查学生的不同方面最专业的高校,然后分析这些数据,最后对在线教育研究对象的能力。这也是调查的基本实现过程和研究网络教育多数大学生的能力。研究的内容类型如表所示1。
具体模型施工过程如下。
首先,最专业的在线教育水平学生在目标大学是第一个调查数据(主要是在线教育课程的分数记录),及相关系统将提取数据的特征信息,然后执行计算机语言处理转换成二进制数,这样的计算机可以存储和比较现有的数据库信息。数据采集和培训过程如图所示1。
其次,我们问题的一些研究问题的调查对象,总结不同的研究目标的选择不同的选项(A / B / C / D),以形成第二个研究数据,然后选择输入到计算机系统,计算机的数据库信息和预设自动判断程序(主要是基于不同的选择背后的心理分析)可以恢复一些数据信息,从而实现的后处理和往复周期第一数据和第二数据信息。数据分析过程如图2。
最后,针对删除或删除一些无关紧要的或无意义的数据信息和记录通过向量形成一个特殊的数据信息记录,实现数据信息转换为矢量信息,和在存储。相似度的计算和识别,计算机计算不同向量之间的距离和角度。距离或角度越小,越接近越高相似度的数据信息中包含的两个向量和较高的理论知识之间的积极关系的网络教育和网络教育的实际水平的大学生。判断和分类过程如图3。
让 和 的观测值和目标;然后,相似的措施他们之间
相应的耦合程度判断公式如下:
修正系数是
平方和的系数是
平均系数下订单的倒数和操作价值在不同的集群如下: 在哪里是广场的加权和差异,集群内的向量被探测到,是标准的参考向量在集群中,之间的平均值处理不同的集群,之间的向量处理值是不同的集群,不同簇之间的操作价值,在每个集群处理价值。
2.1.2。应用BP神经网络算法在网络教育学院和大学教学评价模型
该评价模型中使用的BP神经网络算法有许多优点。为例,在分析的过程中,调查大学生网络教育能力的现状,通过比较分析的结果,在线教育理论课程,大多数大学生的问卷调查数据,然后处理后这两种大的数据集,该算法可以扩展和高效,并与局部优化算法将结束。BP神经网络算法也有一些缺点在处理的过程中大学生的网络教育质量评价不同的专业。数据处理的程度在不同的问卷并不是均匀的。相反,BP神经网络算法需要用户提前给集群生成的数量在调查问卷的数据分析。训练过程从最初的多个自适应耦合如图4。
最后,由于BP神经网络算法对初始值敏感的数据集,不同的初始值的问卷(即数据选项第一个问题的问卷将会影响后续的评估效果调查问卷),这可能会导致不同的数据分析结果。
2.1.3。GA-BP神经网络算法的改进策略
针对BP神经网络算法的问题,我们做出一些改进智能数据挖掘算法(GA-BP神经网络算法)。
在第一步中,问卷调查数据目标,多个目标数据确定不规则作为初始聚类数据集的中心并与第二个目标向量需要检测。干扰自适应程度的计算公式如下: 在哪里和健身索引值,满足以下关系: 在哪里是索引值的目标向量。
第二步是把问卷调查数据和在线教育理论知识数据的其他目标学生到接近初始数据集根据多个参数值的设定和比较随机的方式或排序顺序形成第一个集群计算和变换向量之间的距离不同的集群实现平均组和平均连接群体内部之间的联系。判别函数是 在哪里 样品和的总和吗是样品的总数。
第三步是再决定每个神经网络训练的样本中心联系并确定空间向量的初始集群学生在线教育理论课程数据。然后,根据不同类别的最短的距离比较,确定不同簇之间的相似度排列,形成一个集群组与逻辑结构。集群组校正函数是
在第四步中,重复第二个和第三个步骤之后,当最后一组在线教育课堂教学质量评价调查问卷数据和学生在线教育性能数据输入,这组数据的处理和分类信息意识到,和下一组数据信息是判断了。然后,不同集群的特征项权重,计算广场的区别。集群之间相似性的数据信息是基于平均价值并与预设标准价值实现二次验证,以区分最好的,找出最好的全面解决方案。模拟训练结果如图5。从图可以看出5,GA-BP神经网络算法有更高程度的协议比BP神经网络算法和传统的神经网络算法,和最低程度的协议也可以达到0.969,所以其优化效果更加明显。
3所示。结果分析和讨论
3.1。课堂教学创新的实践测试过程模型的大学网络教育基于GA-BP神经网络算法
为了找到在线教育水平之间的相关性和在线教育课堂教学质量不同的学院和大学的学生以及最专业的学生的学业成绩之间的相关性和在线教育课堂教学的实际测试是基于网络教育考试数据进行实际的学生在大学。这一次,采用改进GA-BP神经网络算法。根据不同的参数设置,它会把目标学生的学业成绩信息和在线教育课堂教学数据为多个培训中心。通过不同参数的比较分析和比较分析的相关数据和信息之间的距离和角度转换成空间向量,确保每个集群都有高度的相似性匹配率和数据信息。在线教育的客观评价标准在实验教学评价体系如表所示2。
GA-BP获得的实验结果的误差分析,英国石油(BP)和传统神经网络算法(TNN)如图6。
从表可以看出2和图6在网络教育教学评价体系,增加培训时间,误差越来越小,因为GA-BP神经网络算法可以使用多个目标数据数据集作为初始聚类中心点与第二个目标向量和比较发现通过比较它们之间的距离。然后,通过计算不同的角度和距离向量和与设定值比较,我们可以知道数据之间的相似性信息所代表的目标向量和参考数据,从而实现相似的判断。然后,根据不同的集群,最短的距离比较不同簇之间的相似度安排决定形成一个集群组与逻辑结构。最后,由于实际的问卷调查数据,异常值的数量不同的问题往往是不可预测的。例如,在这个研究中,问卷数据的在线教育大多数大学生的课堂教学质量,同样的问题的学习目标相同的选择进行了总结,然后分析了大学生群体后,汇总和分类。通过这种方式,样本输入顺序的影响在减少初始聚类中心的选择,以提高整个数据挖掘算法的效率进行数据分析。
3.2。实验结果和分析网络教学评价体系
实验比较法(实验组和对照组)进行以下方式:一对一的线下调查中,随机纸调查,在线评估系统调查。调查的对象是大学生最专业的大学。不同性别的大学生,我们用不同的方式问卷调查内容。问卷包括以下方面:网络教育口语能力,在线教育写作能力,在线教育阅读能力,课堂上学生参与、作业完成,类平均分数,等这个调查的过程中,我们系统地分发400份问卷我们大学中最专业的学生通过大学的支持和有效回收399份问卷,其中包括197名男孩和202个女孩。男性和女性的比例参与实验如表所示3。
在线教育课堂教学的具体实验数据质量评价如表所示4。
不同数量的学生的满意结果(100,200,300,和400年)的在线教育教学评价体系如图7。
从表可以看出3和4和图7通过这个实验和研究,在线教育课堂教学过程中最专业高校,整体教学质量相对较好。在整体的受访者中,91.3%的学生感到满意在线教育课堂教学,其中32.2%是女学生,59.1%是男学生。在这些在线教育考试,89.3%的人有明显的改善效果,其中61%是女孩和39%的男孩。当涉及到特定的在线教育模块知识,比如写作、阅读、和网上教学交互,86.1%的人明显改善这方面。当谈到网上课堂参与,如学生积极回答老师的问题,48.8%的学生积极参与这个链接,也就是说,几乎有一半的学生很少参与课堂问和一个。当被问及在线教育教学方法是否有效,86.0%的受访大学生同意老师的教学方法。尽管在这个实验中使用的数据集训练模型随机处理在收购过程中,它仍有一定程度的影响实验结果的可靠性,因此,本研究是在上面的实验过程进行不少于30个重复实验和平均值,所以它具有较强的普遍性在实验结果的可靠性和真实性。
4所示。结论
高校传统课堂在线教育不能满足当前的客观要求。在此基础上,本文研究了高校课堂教学质量评价模型的在线教育基于GA-BP神经网络算法。首先,网络教学质量评价的研究现状的大学生和GA-BP简要总结了神经网络算法。然后,根据影响网络教育评价的五个因素,提出了一种新的评价方法,更科学的网络教育教学质量评价模型。最后,通过实践在大学,在线教育课堂教学质量评价的可靠性模型验证。研究结果表明,在分析的过程中教学效果的在线教育对大多数大学生来说,该方法基于GA-BP神经网络算法不仅有效地评价教学效果,也可以用来分析和评估大学生网络教育能力的现状。然而,本文只重点建设网络教育教学评价模型和数据聚类,不考虑如何加强地方关注的评价体系。因此,在高校网络教育的实现之前,我们可以从当地的因素进行深入研究变量系统的重量。
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
作者宣称没有利益冲突。
确认
这项工作是由山东大学的艺术。