文摘

中国经济在21世纪已经变得更加全球化。英语已经成为人们之间的交流和贸易的主要方式和其他国家随着经济的迅速发展。因此,高校增加了大学生的英语水平和教学质量标准。大学老师的英语教学的成功使用教学质量作为主要评价指标。英语教学质量评估的程序复杂。使用适当的评价指标和过程,科学、合理的评价体系对英语教育应该发展。本研究采用层次分析法和模糊决策树算法探讨教学质量(最好是英文),给校方教学评价数据,这有助于提高高校教学质量(最好是英文)。首先,层次分析评价指标体系建立对英语教学(EIS),其次是决策树算法的详细描述计算过程和模糊决策树算法应用到教学(最好是英文)质量的评价。最后,测试算法的实际应用效果。结果表明,该算法比其他算法的准确性,也有助于提高英语教学质量评估的效率。

1。介绍

一般来说,人工智能方法更多的应用程序,这是一个不同的研究领域是否由于其巨大的理论或实际和属性或性能,并有效地利用在各个领域遍及全球。模糊逻辑是一种常见的人工智能的分支,基于数学建模的思想来解决或找到一个最优和有效解决手头的问题。另外,它可以被定义为一种如何决策是基于平等的真实性的概念或真理学位而不是传统的虚假和真实的方法,已使用了几十年的问题类似的结构和领域。一般来说,模糊逻辑的想法是真值,即:,需要在这种情况下,可能是一个可能的n值,这是可用的。所以我们可以说,这是一个多值逻辑,某些值或一组值不会得到任何重要的合成值可以是任何一个存在n值,这是可用的。有严格的评价在不同的应用领域使用的教学方法是其中之一,在本研究被认为是和广泛评估。

与其他学院和大学课程相比,英语教学节目自身的特殊性,如强大的连贯性和知识之间的相互作用,这使得它更难评估课程的教学质量(1]。最早的专家使用传统的统计方法来评估教学质量(最好是英文),选择固定的评价指标来评估教学的有效性(最好是英文)。然而,这个固定参数结果的评价教学质量(最好是英文),不能真正反映教学效果(2]。对于这个问题,本研究引入了层次分析法和模糊决策树算法对英语教学质量进行评估。

本研究探讨了教学质量(最好是英文)高校从四个方面:教学态度、教学内容、教学技术、教学效果,将专家评估的结果来确定评价的教学(最好是英文)质量水平(3]。最后,模型是考验和比较。研究结果表明,该算法更可靠的评估英语教学的质量和可以提供数据帮助英语教师。

以下是本研究的主要创新:(1)AHP和模糊综合评价模型计算过程详细介绍。在此基础上,基于评价系统构建教学质量。构造判断矩阵的次要因素包括学生评价、同行评价、专家评价、自我评价(4]。(2)我们专注于决策树算法的计算过程,创建一个决策树模型,使用模糊聚类决策树算法在评价教学质量进行分析,并选择四个决策树分支:教学态度、教学内容、教学方法和教学效果。计算后,教学内容和教学态度是教学评价的两个主要因素(最好是英文)质量,和其他两个是次要的。

安排剩余的手稿是基于简短的议程,这是在给定的段落,以方便后续提供。

最相关的研究工作,特别是那些计划,网上,提出了本文的后续部分,即。,相关的工作。此外,我们努力是短暂和集中在如何计划可能是一个可能的解决方案的有关问题。节3,教学评价方法(最好是英文)质量,这实际上是提出了在这项研究中,提出了在有足够详细的信息。节4,决策树聚类的概念已经从模糊逻辑集成的角度进行描述。结果和观测的方案提出了本研究的部分。最后,结束语以及相关参考文献报告。

2。相关工作

近年来,教学质量分析的主题已经改变了从单一评价多个评价在过去,现在,国内外学者在这一领域也取得了深入探索(5]。Andriola将分析各种学科的优势和劣势,明确存在的问题学生教学质量的评价,表明学生教学质量的评价中起主导作用(6]。Ghiazza和热血指出,我们应该建立一个对教学质量的分析,以便学校领导认识到学生的重要性在评价过程中,建立一个良性的设计指标,并反馈结果的周期(7]。倪和沈使用决策树算法的决策树分析高考结果和使用生成的决策树模型(8)来预测学生的大学入学考试成绩。苏使用模糊综合评价算法建立EIS和评估助理一般高校的决策模型。一个真实的例子是用于验证该算法的有效性9]。盾将综合评价划分为发展质量和基本素质,并使用自我评估,评估,和相互评价,构建高校教学质量的评价体系(10]。Abdusalomovna现代教学质量的概念加入到教学质量的评价体系,提出了现代社会的基本需求为教学质量和教师专业建设的一个重要理论基础教学质量的评价体系11]。Olofin等人构建EIS的大学教学质量从四个方面:数据过滤,主题,时间,和应用程序的结果。陈通过分解和分析,建立了评价体系对大学体育研究生的综合素质,选择社会实践、学术研究、思想道德、竞争质量,身体和精神,和创新为二级评价指标,构建综合素质的EIS大学体育C Lu和郑通过分析网络在高校教学质量中存在的问题,并研究历史教育评估数据评估的影响学生评价率和评价区域的两个因素对教师的教学质量分析;作者希望改革高校在线爱教学评价系统,和提高评估效果和价值12]。刘等人分析了问题,学生的表现不能完全反映在当前的教育考试,建立基于模糊决策树的性能评估模型,预测学生的专业水平(13)结合学生在学校的表现的陶等。当处理短语匹配目标语言的偏差,我们建立一个层次机器翻译模型基于智能模糊机构的数量,这层和搜索英语机器翻译来创建一个完整的功能,机器翻译的内容根据其语义和语言重要性的受欢迎程度(14]。

3所示。评价方法的教学质量(最好是英文)

全世界每一个社区,教学被认为是一种最珍贵的和有价值的职业,教师是决定教他们的学生,最大的学生能够理解。然而,正如我们所知,有不同类型的学生特别是从学习能力和观点;因此,目前使用的方法必须被更新,以便学生可以利益最大化的经验一个高尚的老师。该模型是如何评估的描述方式教学的质量尤其是从英语系学生。

3.1。教学评价(最好是英文)基于AHP的质量

在1970年代,T.L. Saaty,美国学者首次提出层次分析法(AHP),这是一个quasi-quantitative算法,将定性问题转化为定量问题,评估的总体目标分解层的层。基本思想是将代表一个更复杂的系统层次有序的结构模型,它本质上是一个分层的问题。通过比较不同评价指标的重要性与其他两个相同层次结构,构造判断矩阵来获得不同的评价指标权重。在完成每个索引的重量计算组合,可以获得评价的顺序与总目标。本研究将评价体系基于AHP的教学(最好是英文)质量分为四个过程,首先建立了评价指标体系,然后建立评价体系权重系统,然后收集和处理基本数据,最后采用分层模型来评估个体的结果或综合评价学生和教师的15]。图1下面说明了层次分析架构(最好是英文)的教学质量评估:

我们比较两个评价指标,建立判断矩阵考虑不同因素之间的关系。如果指标的数量设置在EIS ,也就是说, ,两个指标和随机选择比较影响因素吗学位。这两个指标的影响是由 ,和每一个指标的比较结果为代表 矩阵,U是评价体系中的判断矩阵。

基于常用的分析方法,层次分析法的比较,期间是“1 - 9。“我们使用1 - 9的比较结果来反映每个指标的重要性。越高值,这两个指标的影响越大,和 ,在 。在这项研究中,我们构造 判断矩阵的基础上,“1 - 9”方法。的突出特征是,> 0, ,和的值是1。

本研究选择四个二级评价指标,即学生评价(X1)、同行评价(X2)、专家评估(X3)、自我评价(X4),研究大学英语教学质量的评估和列表索引判断矩阵表1在下面。

基于AHP原理,每个指标权重的计算方法是根据以下过程。

我们正常每一列上的索引矩阵和添加的每一行的重量矩阵。下面是解决方法公式:

公式的值是1、2、3和4的值是4。归一化是 。矩阵的所有元素的重视每一个指标如下:

公式的值是1、2、3和4的值是4。归一化列向量如下:

研究结果证明一致性指标小于0.1,这表明矩阵是非常一致的。创建一个新的矩阵一致性测试公式,另一方面,如下:

以下是一致性指数公式:

下面的公式最大特征值计算:

时的值给出的是4,国际扶轮Saaty是列在表2在下面。计算国际扶轮是0.9。

CR从上面的公式计算值为0.00014,小于0.1,表明这个矩阵的一致性。

3.2。教学质量分析基于模糊综合评价模型

模糊数学的概念是用来模仿人类大脑的思维方式在模糊数据处理完整的模糊数学模型。它分解成许多不同的评价对象组件,评估所有水平的因素与模糊修改,然后找到一个适当的技术来生成一个全面评估从分析合成的角度来看(16]。下列程序是用来构建一个全面的教学质量评价模型研究:(1)我们建立一个综合评价指标模型, 代表了一级指标,是每组的组合评价的因素,然后呢代表的数量指标在同一水平。 代表了二级指标,指标的标准是由 。(2)每个指标的所有可能结果是评论的集合,通常认为基于由专家给出的结果。本研究构建的一套 评论基于英语教学质量的招聘形式分析。(3)我们定义的重要性权重集。每个索引的索引系统重量,重量和相应的值称为指标权重。 包含不同的因素权重和满足 要求。英语教学质量的特点分析的基础上,本研究选择的直接评价方法,客观地分析和处理主观授权结果,发现每个索引到上面的指标的权重结果根据不同指标之间的关系。(4)基于最大成员方法,评价矩阵 构造。相对应的评价结果表达的因素是公式,之间的成员是评价因素和评价成绩。我们选择判断元素对应于最大的评价指标 ,根据 ,我们计算评价结果,可以用来表达模糊隶属度的评价等级和评价因素之间的关系。

4所示。决策树算法的模糊聚类

树是一种最常见的和基本的数据结构,用于表示数据值树的形式也称为每个内部节点的层次结构可以进一步分为外部或内部节点。同样,外部节点被认为是一个特定的路径或分支的树或它可以被假定为一个常数,它不是可更换一次。

4.1。决策树算法

决策树是一个树的结构。根据决策树的结构,可分为三种类型:内部节点,根节点和叶子节点。决策规则结构是由不同的节点。样本集是由根节点和内部节点表示。根节点是一个完整的样本集。内部节点对应于测试结果样本集,和一些类标签存储在叶子节点。决策树的建设分为三个过程:首先选择特性,然后分裂节点,最后修剪。每一个过程采用不同的方法,所以决策树算法也不同。决策树挖掘使用一系列的机制对数据进行分类。其算法选择决策树训练数据集的数据结构,并确定与决策树的每个实例。决策树挖掘过程如图2在下面。

4.2。构建决策树

当这个研究研究教学(最好是英文)质量的评价基于模糊决策树,以下四个分类现象将会出现在第一次建立的决策树,如图3- - - - - -6分别。这四个树是教学态度、教学内容、教学方法和教学效果。使用该算法来计算对应于每个属性的信息增益和随机选择的数据56的学院和大学的英语系教师评价样本。评价结果表明,15个非常棒,29日是好的,11中,只有一个是穷人。为了简化评价等级,它假定Y代表优秀,l代表好,Z代表中等,J代表通过,和u代表失败。

决策树被划分为多个分支节点根据上面的过程,直到所有的样品在分支节点属于同一类,和任何其他属性可以分为新分支,表明该节点的分支分裂结束。基于上述四个分支,以下英语教学质量优秀的结果,如图7。

4.3。决策树对英语教学质量分析

通过应用英语教学质量分析的决策树建立以上英语教学质量分析,评估的结果是优秀的在90 - 100点,在80 - 89点,媒介在70 - 79点,媒介在C点,通过在60 - 69分,和失败在60分,E分,数据表如下表所示3。

一个示例所需的相应的信息熵可以表示如下:

的属性指标如下: , , , , , , 。的信息熵属性如下:

因此,

然后, , ,和 。

下面是信息增益的属性:

获得的信息 计算了相同的算法如下:

推理后,可以获得四个属性信息增益,其中最大的是 ,第二个是 ,然后 ,最小的是 。

通过上述的分析结果,可以得出的结论是,两个最重要的因素在这一过程中教师的教学评价(最好是英文)质量教学态度和教学内容、教学效果的重要性和方法相对较低。因此,在英语教学过程中,教师应正确的个人态度和不断提高自己的专业水平和责任感,以全面提高他们的个人教学质量。

5。评价结果的教学质量(最好是英文)

5.1。分析教学评价结果(最好是英文)基于层次分析法的质量

当判断教学的评价结果(最好是英文)获得的质量在层次分析法的基础上,本研究随机选择10英语教学从英语教学专家数据库专家的科研计划,和10个专家评分指标在英语教学质量分析系统和计算每个专家的评分的平均值作为最终结果,以减少一些专家“直观的因素的影响。教学(最好是英文)评价质量的成绩表中列出4在下面。

根据专家的十组数据得分从2012年到2021年列入表中4选择以上,前六组数据作为训练集,其余四组数据被选中作为测试集测试英语教学质量的可靠性和有效性分析和基于层次分析法(AHP)分析。同时,评价结果的支持向量机(SVM)和凯尔姆经常进行了比较。结果如图所示8和表5。

根据评价结果的教学质量在表(最好是英文)5和图8以上,与支持向量机和凯尔姆经常算法相比,美和RMSE值使用AHP算法获得的评价英语教学质量很低,分别对应于0.185和0.324。这表明,AHP算法可以全面提高评价的准确性和教学质量评价英语教学质量的新方法。

5.2。分析英语教学质量分析结果基于模糊决策树的算法

本研究创建的英语教学质量模型应用于实践,从评价结果选择20个数据作为测试样本,以评估教学的评估结果(最好是英文)基于模糊决策树的质量。当这个模型是用来评估教学质量的(最好是英文),结果是伟大的,因为他们正是适应英语教学过程,给大学教授进行有用的数据。衡量英语教育的质量,支持向量机模型和RBF神经网络+主成分分析(PCA-RBF)模型被选为比较实验。表中提供的评估结果6(17验证后)。

通过分析,PCA-RBF模型评价最低的准确性在上面的表使用主成分分析算法来选择教学(最好是英文)质量的特点。然而,RBF神经网络已经过度拟合的问题,这将导致一个大偏差评估错误的教学质量(最好是英文)一些样品。英语教学质量分析需要短时间和效率高,但评价精度不能满足实际应用的需要,所以它不能应用大规模实际应用。英语教学质量分析的准确性基于SVM也低于这个模型。因为这个模型需要大量的教学质量分析指标,指标之间会有干扰,干扰评价结果在一定程度上。本研究构建一个英语教学质量分析基于模糊决策树算法,并使用模糊决策树方法来选择一个数量的特点对教学质量进行评估。它的英语教学评价结果更理想。与其他两个模型相比,评估时间较短,加速教学(最好是英文)质量的评价。因为这个模型可以评价只有少量的输入向量,它具有较高的效率评估教学质量(最好是英文)。

6。结论

在大学课程英语教学是非常重要的,它直接影响学生学习其他课程。然而,传统的测量方法的英语教学质量太窄,以适应不断变化的需求,还有内部指标之间的干扰,导致英语教学质量指标之间的非线性关系和成绩。本研究的目的是提高评估的准确性(18,19英语教学质量。评估的主题分析了英语教育工作的质量(3利用AHP和模糊决策树算法。层次分析方法评价英语教学质量,选择四个二级指标,评价体系是用来评估的英语教学质量。十个专家选择率。评价结果的准确性得到SVM和凯尔姆经常比较。结果表明,评价质量的美价值和RMSE值基于AHP算法0.185和0.324,这充分证明了该算法具有很高的精度评估教学质量。然后,决策树算法的计算过程,详细介绍了基于模糊聚类算法应用于英语教学评价。结果表明,该模型可以准确地评估教学质量的(最好是英文),可以实现真正的英语教学过程的拟合。

数据可用性

和/或使用的数据集分析在当前研究可从作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。