文摘

本研究旨在提高大学生的社会和政治素养。社会和政治教育(SPE)是本科生的研究。首先,介绍了课题研究的背景。人脸识别模块是建立基于深卷积神经网络(DCNN)。分析了研究对象的社会政治情况通过一份调查问卷。其次,学习过程的模型。最后,SPE在线课程学习平台。实证研究分为实验和对照组。研究结果表明,所有模型的假设是有效的。有一个显著的结构性影响因素之间的关系SPE的大学生学习过程研究的领域。 The students selected as research objects lack innovation and critical thinking in the learning process and have certain deficiencies in innovative thinking and critical thinking. The questionnaire has good reliability and validity. The predicted data of the designed platform are compared with the predicted data of the control group. Social science competencies by gender are compared. The results showed little difference in the effectiveness of students using other methods for sociopolitical learning. The data of the experimental group before and after the test are quite different, indicating that the designed experimental platform has played a certain positive role. There are significant differences in the posttest data between the experimental group and the control group, indicating that the constructed online course learning model has a positive impact on students’ innovative thinking and critical thinking. Women’s learning motivation and transfer learning ability are stronger than those of men. The constructed model has certain feasibility for the learning of SPE online courses with face recognition module. These contents provide a reference for the reform of social and political courses.

1。介绍

1.1。概念或理论框架

作为建筑的主要力量,大学生被要求改善他们的社会和政治素质。通过社会和政治课程的发展,高校形成了世界观、人生观和价值观的大学生,促进大学生的健康成长1]。建立社会和政治学院和大学课程是高等院校的重要手段进行社会和大学生思想政治教育(SPE)。因此,政治思想的发展和改革课程在高校被广泛关注2]。传统社会和政治课程大多由教师,进行概念性知识社会和政治评论。在这种教学方法,学生参与的积极性不高。与此同时,社会和政治课堂的有效性,提高学生的社会和政治素养不高(3]。

深度学习(DL)技术广泛应用于大数据的计算资源。如果大数据是原材料,然后DL是原料加工厂。DL技术是非常聪明的。近年来,它已被应用于SPE的领域。DL算法可以捕获、过滤模型,分析人类意识的大数据在SPE的过程。与SPE的持续使用和分析大数据资源DL算法,SPE资源分析了人工智能(AI)将成为越来越多的规律和系统的。刘指出,DL算法可以更准确地预测教育者的思想和行为的大数据通过分析这些数据。它可以确定有针对性的教育内容,采用定制的方法进行教育,实现精确的教学(4]。DL技术的影响下,SPE在新时期发展更好。然而,智能社会政治不能取代传统的SPE的形式。聪明的社会和政治的结合与传统的社会和政治可以是相辅相成的。智能SPE可以准确地教,服务,和扩大教育范围,创建一个定制的社会和政治程序为每个受过教育的人。张等人使用基于ai精密SPE,发现智能SPE可以实现精确的识别、精确定制,精确的传播,和精确的反馈5]。张等人结合DL技术与虚拟现实技术和SPE来创建一个更独特的教育模式6]。

由于低效率的高校SPE在这个阶段,深度学习技术引入了研究大学生SPE在线课程的学习模式。假设的模型建设基于深度学习技术引入了深度学习技术的影响因素和大学生SPE的现状。设计问卷是用来构建结构方程建模(SEM)。最后,实证研究进行了分析。部分2是SPE的现状的分析,研究大学生。部分3描述了SPE高校网络课程的设计。部分4构造一个在线平台SPE在学院和大学。部分5分析了建设大学SPE在线课程模式的结果。创新是第一次深度学习技术引入到SPE的大学生的研究。使用SEM分析之间的关系影响因素大学生深入学习。本研究主要关注学习过程的机制。研究内容是提高大学生新时期社会和政治素养有积极的影响。

1.2。相关研究

机器学习领域有举足轻重的地位的人工智能(AI)。人工神经网络(ANN)是一个非常活跃的分支领域的计算智能和机器学习(7,8]。近年来,深入学习算法是机器学习领域的一个突破研究[9,10]。21世纪初,加拿大学者提出了深度学习的概念,开始深度学习的研究热潮11,12]。经过多年的发展,深度学习技术取得了出色的表现引起了计算机视觉、自然语言处理和语音识别13]。深度学习技术的应用领域的教育促进了学习管理模式和教学模式的转变14]。深度学习的开源框架具有很强的灵活性和可移植性的特点,包括咖啡、TensorFlow Theano, Keras。因此,它是广泛应用于教育领域15,16]。

深度学习技术的应用是在社会科学专业的本科生的毕业论文。DL科技的讨论集中在社会科学相关问题的讨论,只停留在使用方法,如学业成绩的预测17]。DL技术教学的应用研究主要集中在应用社会科学硕士论文在线考试和其他教育系统(18]。研究人员提出了一个DL-based目标检测算法,设计了一个在线考试异常行为检测系统。该系统实现自动学监(19]。社会科学博士论文主要研究文本挖掘技术基于DL技术。一个提取模型,提出了整合句子之间的关系。模型是用来训练关系分类器基于现有自然语言句法结构信息。最后,这个模型奠定了基础的远程教育在教育领域中的应用(20.]。详细的课程设计规划本科论文,硕士论文,博士论文是图所示1。的过程中寻找文件,有相对较小的差异在课程结构设计的本科论文,硕士论文和博士论文,但也有明显的区别的使用DL技术,如图1。

通常没有研究深度学习技术在社会科学领域,还有一些实际应用领域的教育,大部分停留在理论水平。因此,大学SPE研究基于深度学习技术研究的主要观点。实际SPE网络课程学习系统为大学生构建。

1.3。这项研究的目的

学习者的实现路径动态学习研究领域的深入研究。相关文献分析和解决。这个总结的重要因素影响学习者的动态学习和发现的结构和尺寸之间的定量关系的动态学习过程。一个假设的模型构建了基于深度学习根据每个维度的内部连接。这为大学生提供了理论支持,改善他们的社会和政治素养。另一方面,研究分析了大学生的差异。学生在研究区指定的在线学习课程,和在线课程学习模式。创新并不是直接在计算生物学解释。通过调查问卷、量表和评价系统,结构方程模型和改性研究假设模型用于分析SPE。这是有利于社会和政治发展的研究。 Here, the login link of the social and political system uses CNN. The innovative combination of SPE system and CNN-based facial recognition can improve the efficiency of students’ online social and political examinations. This provides a reference for the development of neural networks in the field of education.

主要的数学和计算生物学领域的科学贡献是结构性模型的信度和效度分析和调查问卷进行了详细的数学分析。创新是数学领域的结构模型,调查问卷的信度和效度分析,t以及引入教育平台建设,属于理论与实践的结合。神经科学领域的重大贡献是小说的建议深黑色的卷积网络在低分辨率图像的面部表情识别。创新是深黑色的卷积网络属于一个相对不知名的神经科学领域的人脸识别算法。研究属于理论与实践的结合。这项研究将被应用在国际领域的教学,和主要的全球用户将大学生在不同的国家。

2。材料和方法

2.1。理论基础

建设性的学习理论和布鲁姆的认知目标理论介绍了图2。

在图2,理论知识提供了理论支持一些批判性思维和创新思维训练模型。高阶思维的在线培训模式的建构主义理论和布鲁姆的认知目标理论将在深入学习中实现。

人脸识别算法是基于深层构造卷积网络和由于出色的图像识别卷积神经网络(CNN)的功能。首先,数据预处理。其次,线性译码器是用于提取图像的局部统计特性作为CNN的卷积核。提取的卷积内核用于卷积图像,提取图像的卷积特性和池。最后,将SoftMax使用分类器分类提取的卷积完成人脸识别功能。该算法需要单独训练线性解码器和将SoftMax分类器。网络培训包括以下的步骤:(1)在训练集图像随机采样和预处理、样本块组。(2)样本块的集合作为输入的线性解码器训练线性解码器。(3)训练有素的线性卷积译码器作为内核提取训练集的卷积特性。(4)平均池策略用于池卷积功能地图。(5)混合卷积功能连接在一起。 After they are normalized, the image features are used as the input of the SoftMax classifier to train the SoftMax classifier. The test set image is recognized, after training the grid. The steps include the following: (1) the trained linear decoder is used to extract the convolutional features of the test machine; (2) the average pooling strategy is used to pool the feature maps obtained after convolution; and (3) the pooled convolutional features are concatenated. They are normalized and used as the input of the SoftMax classifier for image recognition. The training of the linear decoder is divided into training and fine-tuning. Finally, the optimized network parameters are obtained. The excitation function is introduced in the input layer of the linear decoder. Average pooling is used to pool the convolutional features for consideration of the amount of calculation.

因为批判性思维和创新思维是高阶思维的重要组成部分,在学生的培养显得尤为重要。因此,某大学的学生作为研究对象。基于建构主义理论,布鲁姆的认知目标理论,令其教学模式,模型为在线学生的批判性思维和创新思维训练(21,22]。

人脸识别图像之前收集的开始正式实验。

通过前面的内容,影响因素的大学生的DL过程SPE被确定为理解和理解能力、记忆能力、学习能力、合作能力、学习可转让性,评价和反思能力,解决问题的能力,创新思维,批判性思维。影响因素的假设模型构建了SPE和具体模型如图3(23,24]。

图3是一个理论模型的假设SPE的影响因素。其中,由浅到深的学习发展的程度,和所涉及的学习阶段包括prelearning、记忆、理解、英语和分析、评价和创造。每个学习阶段都有特定的能力需求。J1-J15标记在图1提出了影响因素的假设。j - 1,假设1,显示了学习动机与学习者的记忆能力J2关系显示了记忆能力和理解能力和理解能力之间的关系。其他的具体关系假设给出图2。结合图的内容3假设是总结和介绍,如图4。

图4显示,假设1构造使用学习动机的概念,假设2构造使用浅学习,并使用深刻理解构造假说3日- 15日。学习动机是直接推动一个人的内部驱动力的行为活动。肤浅的学习包括记忆能力、理解,和理解。DL要求学习者记忆和理解。因此,所有假设这里有显著积极影响关系。之后,由15个假设,将影响因素的结构模型。

2.2。研究过程

2.2.1。研究模型

根据前面的内容研究,SPE课程设计的几种情况和学生的学习背景理论被称为发展学院SPE在线课程设计(25]。社会和政治的主要内容和目标的学院和大学课程在图所示5。

在图5SPE进行基于今天的大学SPE课程。使用的基本理论课程符合当前社会和政治学院和大学课程,主要包括政治科学,历史,民族学,法律,和艺术。在这里,DL概念用于学习SPE。

在线课程设计采用注意力、相关性、信心、满意度(弧)模型。模型由相关性、注意力,满意度,和自信26]。这四个方面对学生的学习活动奠定了一定的基础。在线课程设计进行的课程资源,学习任务,学习目标,学习对SPE的评价。具体的模型图如图6。

图6表明,学习资源影响学生的注意力,影响学生的学习任务学习,评价反馈影响学生的自信和学习目标直接影响学生的学习满意度。资源的内容设计、学习任务设计、评价反馈设计,和学习目标设计介绍了上述模型框架,如图7。

图7显示在线课程设计以来进行个性化学习。整个包括三个部分:建议,诊断和评估27,28]。课程设计遵循学生的发展规律和文化背景在不同生长环境下,最终提高学生的认知水平。

本文构造一个在线学习为学生学习SPE实验平台。在线学习实验平台的功能包括登录模块和学习模块。具体的设计框架如图8。

在图8,学习模块包括个性化推荐,学习论坛,诊断,当然,和个人中心模块(29日]。

介绍了两个模块的内容。首先是登录模块,具体过程如图9。

在图9,登录模块有三个功能:注册、密码检索,并登录。当学生在该平台注册并登录,系统将自动跳转到相应的界面根据民族种族属性(30.]。

学生的学习模块包括五个模块:诊断模块、个性化推荐模块,课程学习模块、论坛模块,学习和个人中心模块。具体内容如图10。

在图10,四个模块的目的是提高学生学习热情的设计学生论坛。个人中心模块的主要内容是培养学生的创新和批判性思维。这个模块生成学生评价报告。

学生的实体属性,认知诊断结果,严重的诊断调查问卷,问卷答案如图11。

课程资源的实体属性库,少数敏感性,推荐资源图书馆和发表帖子图所示12。

实体的属性一个论坛回复帖子,工作,喜欢工作,和学习行为如图13。

数据11- - - - - -13设计的实体属性内容平台。其中,idx是主键31日]。在实体之间的连接在上面的图中,在线学习平台的具体关系,和在线学习平台的性能评估。

2.2.2。参与者

设计分为两个部分。参与者对大学生SPE现状问卷调查240名大学生从大学的研究领域。三十个学生参与社会和政治学习在不同的教育模式。

2.2.3。数据收集工具

问卷的信度和效度进行测试使用统计产品与服务解决方案(SPSS) 22.0。分析调查问卷分析了使用时刻结构分析(AMOS) 21.0和SPSS 22.0软件。在检查的配合扫描电镜,AMOS 21.0软件用于导入和分析210年收集的数据。SPE的路径分析结果和拟合结果为大学生。网络课程设计是使用注意力,相关性、信心,满意度(弧)模型。

学习平台的开发环境如表所示1。

表1表明,结构化查询语言(MySQL)采用数据库管理软件。在表1,最终的实体关系图(ERD)是通过分析在线学习平台中的实体之间的关系(32]。实体包含在这个学习平台系统认知诊断结果,认知诊断答案,学生认知诊断问卷,个性化推荐资源库、课程学习资源图书馆、论坛、少数敏感词汇,文章、作品、论坛回复,和学习行为。

2.2.4。数据收集过程

网上的方法被用来评估社会和政治体系。因此,学生的地理位置和区域不受限制。这时,面部识别给出更高的要求。VGGNet选择作为研究的基础。其中,由于VGG16的扩展性和图像特征提取的能力强,实验基础上进行。

扩张卷积可以显著提高模型的准确性好。因此,扩张介绍了卷积的概念,如所示 显示输入。 代表一个过滤器与长度米和宽度N。 是相应的输入经过滤波器后的输出。的参数R代表了空隙率。如果r= 1,划分卷积是一个普通的卷积计算的过程。

在CNN结构,减少图像大小主要是在池层完成。在保护的前提下尽可能多的图像的空间信息,汇聚层增加了接受域卷积的内核,提取更高级的功能,减少网络参数的数量,防止过度拟合。然而,增加接受域池层是一种破坏性的方式。这将导致损失的内部数据结构和空间层次的信息。为了减少池操作,分为革命是用来重建CNN。结合网络基准比较试验结果,选择VGG-16模型的前端。分裂革命作为后端部署。通过这种方式,同时保持决议,接受域增加和更深意义的信息和特征提取。通过这种创新结构,性能得到有效改善基于最初的模型。“1-2-3”是最优组合模式通过比较不同组合模式。 Hyperparameter setting is the process of learning rate setting: the front-end network learning rate is set to 0 for several iterations. After that, a smaller learning rate is used to train the entire network model. In the structure of the back end of the frame, the learning rate is set to 0.001 and the attenuation coefficient is set to 0.0005.

在数据预处理方面,个人数据集图像进行人脸检测和定位。图像信息只包含部分保存。图像的颜色信息是容易受到光照的影响,和RGB变化很大。因此,在图像输入到模型之前,它转换为灰度图像。首先,原始RGB图像转化为实验室的图像颜色域。然后,图像组件中取出l域;即对应于原始图像的灰度图像。数据方面的提高,水平翻转和随机旋转用于扩大样本的数量。旋转角度设置为−45岁,30岁的−−15日,15日,30和45。数据集是结合水平翻了7倍。

之间存在一定的不平衡不同类别的每个数据集。模型的评价指标是融合矩阵的准确性,如所示 在哪里一个表明实际值和预测值是正确的。b表明,真正的价值是正确的,和预测的值是错误的。c表明,真正的价值是错误的,和预期值是正确的。d表明实际值和预测值都是错误的。

本研究采用问卷调查法调查现状的DL SPE在研究地区的大学生。具体的问卷问题设置如图14和15。

在数据14和15基本信息调查问卷的物品还包括学生的性别、年龄、专业方向、学校层面,和种族。问卷的第二部分是由九个DL功能。它包括学习动机、记忆能力、理解能力和理解能力,转移学习能力、解决问题的能力、合作能力、反思与评价能力,批判性思维和创新思维。它包含39的话题。具体主题开发SPE的九个DL能力。设置问卷选项的形式李克特规模。选项分为“完全不相容的,”“比较符合,”“一般”,“相对不相容的,”和“不相容的,”和1 - 5是用于指示(33]。通过WJX.cn,在线调查问卷分布和目标是大学生。总共240份问卷分布和210检索。回收率为87.5%。所有返回的问卷都是有效的。这个问卷调查的结果基本信息将在稍后给。判断的标准的问卷是不合格的物品没有完成或答案是一致的。问卷调查是完全出于志愿者自愿参与和志愿者的保护隐私。

问卷的信度和效度进行测试(SPSS) 22.0使用统计产品与服务解决方案软件,计算如下。

(3)的计算方程Kaiser-Meyer-Olkin (KMO)。其中,DD的平方和是变量之间的偏相关系数。CC是变量之间的相关系数的平方和。(4)和(5)Bartlett的测试方程。n记录的数量。米因子分析变量的数量。|R|的值是相关系数矩阵R行列式。

问卷的第二部分的可靠性测试量表的阿尔法,如图所示

在(6),h在调查问卷的数量问题,是总分的方差,方差的分数吗我项。

目前结构分析(AMOS) 21.0和SPSS 22.0软件被用于调查问卷分析。SEM执行使用模拟测试假设的34]。扫描电镜是一种统计方法分析变量的协方差矩阵变量之间的关系。sem可以执行间接测量的变量难以直接测量和准确。扫描电镜的基本过程如下:(1)提出理论假设;(2)分析自变量对因变量的影响;和(3)修改模型(35]。

的健康测试指标结构模型包括5个指标:研究,χ²/ df、AGFI CFI, GFI。其中,研究代表了均方渐近残差的平方根,χ²/ df代表卡方自由度的比率,AGFI GFI代表拟合指数,CFI代表相对拟合指标。每个索引的具体表达式和参数评估标准所示(7)- (12)。

方程(7)是渐近剩余均方和根,f₀函数值的差异,df是自由的程度。的适应RMSEA < 0.05是好的,和RMSEA < 0.09的适应是合理的。

方程(8)和(9卡方自由度比例,年代是实际的数据矩阵,|Z|是假设的模型矩阵。如果χ²/ df是介于1和5,模型适合,如果χ²/ df > 5,模型需要修改。

方程(10)和(11)拟合指数,GFI > 0.9, 0.8是最低可接受的值,和AGFI > 0.9, 0.8是最低可接受值。

在(12),卡方值是实际的数据,卡方值的假设模型,和df是相应的自由度。CFI > 0.9, 0.8是最低可接受值。

检查后的扫描电镜,AMOS 21.0软件用于导入和分析210年收集的数据,和路径分析结果和拟合结果oSPE的大学生。在此基础上,进行模型的假设检验。测试标准包括合理性测试和参数显著性检验。其中,理性参数> 0,显著性检验参数> 1.96, , 是非常重要的36]。结果稍后给出。此时,模型是根据假设检验的结果,修订和修改后的结构模型的拟合值测试。

2.2.5。数据分析

真实有效的面孔(RAF)数据集被选中为模型识别精度实验。高度分散的数据集包含29672个面部图像从因特网上下载的。不像在实验室条件下获得的图像,图像的数据集的脸在自然场景图像。这里提供的示例是七个基本表达标记和复合情感标签。基本的表达数据包括15339张图片,训练集和测试集,12271年和3068年的图像。它们用于培训评估模型。人脸识别的准确性比较模型包括基线和BaseDCNN模型。BaseDCNN模型提高了前端和后端结构相同。比较其准确性与BaseDCNN模型。

使用问卷调查法,使用问卷批判性思维和创新思维的问卷,学生的创新思维和批判性思维进行测试之前和之后使用学习平台。这两组学生中,一组使用SPE的在线学习平台设计,和另一组使用其他学习方法和比较结果(37,38]。调查问卷包括学生基本信息、批判性思维的部分和创新思维的部分。设计有关的问题国际批判性思维倾向(39]。筛选后,30有效问卷。三十人分为两组,每组15人,进行了测试。学习社会和政治知识的时间是7月10日,2021年,2021年7月16日。调查问卷的信度和效度检验。之间的比较图表进行预测结果的实验组和对照组,对照组前后之间的前后测试组,实验组和对照组的结果测试之前和之后都被吸引在结果部分。在研究对象中,16个男性和14个女性,性别分布相对均匀。因此,最后增加的影响不同性别在社会和政治知识学习能力的大学生的影响下深度学习技术。实验分为两组根据性别。SPSS软件用于测试各种维度的不同性别的学生。 The questionnaire data is imported into SPSS based on the results of the reliability and validity analysis of the questionnaire. The independent-samplet用来测试和分析社会科学能力的差异基于深度学习技术的不同性别的学生。两组之间的差异需要判断是否相等或相似。判断条件是团体。> 0.05,要求测试性别差异是否显著 。

3所示。结果

3.1。人脸识别精度比较

人脸识别的准确性比较图所示16。

在图(16日),识别消极情绪如恐惧、厌恶,和愤怒是35.14%,53.75%,和66.67%,分别在基线模型。在模型识别结果,这三个表达式的精度提高了25.66%,2.5%,和9.87%,分别。整体识别精度显著提高。负面情绪的识别效果增强,这表明,分裂革命结构模型设计减少了池中使用操作,增加模型的深度,提高了模型的识别性能。在图16 (b),加上分裂革命后操作BaseDCNN模型增强了使用前后端方法,整体识别精度从63.61%提高到69.94%,这证明了改进过程的有效性。

3.2。结构模型的分析结果

SPSS软件的可靠性分析和因子分析被用来验证问卷的有效性和可靠性。调查问卷的KMO价值是0.97。表2显示的可靠性结果九个维度的克伦巴赫的第二部分α测试。

在表1克伦巴赫,α具体问题的问卷是0.66,0.75,0.71,0.84,0.78,0.55,0.86,0.66,和0.86,分别。因子分析的结果表明,问卷的结构效度是75.2%。这表明问卷具有良好的效度和可靠性和反映了大学生的具体情况研究地区基于深度学习。

初始模型的拟合指数结果和修改后的结构模型的拟合结果如图所示17。

校正前后模型,拟合指标满足评价标准的要求。假设有一个很好的模型和调查数据之间的匹配。

根据相关测试结果的测量模型,假设路径提出和测试。测试标准主要包括参数显著性检验(C.R. > 1.96, )和合理性测试(S.E. > 0),如表所示3。

在表3,S.E.标准差。假设1、2、3、4、5、8、9、10、11、12、13、14和15都达到显著性检验。但是假设参数值C.R. 6−2.514,是0.012,ß−0.18。假定的参数值为C.R. 7−2.2440.025, ,和−0.14ß。相关系数C.R.和路径系数ß卫星和J7小于0。这意味着自变量对因变量产生不利的影响,测试结果是相反的零假设。因此,卫星和J7并不持有的假设。

因此,在模型中假设卫星和J7删除。删除模型的参数和评估。在图17 (b),所有指标满足要求。修正结构模型参数,潜在变量的路径系数,验证结果如表所示4。

的t以及结果 ,一般重要的假设包括。假设5的值是0.013,6的值是0.012,7是0.025的价值。的假说值< 0.001包括假设1∼4和假设8∼15假说。在使用数字值的调整模型16,假设5的值是0.013,这是一个普遍意义的假设。的其他假设的价值小于0.001,这是一个非常重要的假设。

新设计的SPE DL结构方程建模如图18。

图18图中显示了所有模型的假设是有效的,指示一个重要结构的影响因素之间的关系的DL过程SPE在研究地区的大学生。有两种方法可以实现DL:学习动机、记忆能力、理解和理解能力,学习可转让性,评价和反思能力;另一种是学习动机、记忆能力、知识和意识能力,学习可转让性,和解决问题的能力。学生缺乏创新思维和批判性思维在DL的过程。

3.3。分析SPE的在线课程的设计结果

批判性思维和创新思维训练模型图所示19。

高阶思维网络课程培训模式是由上述内容。图19表明该模型旨在提高学生的创新思维和批判性思维。后会用数字描述的在线学习平台19作为理论基础。

3.4。在线学习平台的分析系统的结果

在线学习平台的主页面如图20.。

图20.的主页是构建社会科学在线学习平台。构建学习平台的主要内容包括在线课程,推荐系统和学习计划。学习者成功登录后可以找到这个页面。根据他们的具体情况,注册人可以选择一个详细的学习计划终于完成社会科学知识的学习。

实体之间的联系的在线学习实验平台如图21。

图21显示有实体之间的联系。资源图书馆、学生学习行为记录,论坛是最重要部分的实体。他们是由管理员统一管理。

调查问卷的信度和效度结果的实验平台是好的。平台的性能测试结果,包括实验和对照组的比较图,前后对比图对照组,实验组前后对比图,比较实验组和实验组。对照组结果的对比图如图22。

图22的预备调查数据显示,实验组为3.85,和对照组的预备调查数据为3.84,表明创新思维和批判性思维倾向的水平是一致的。的总尺寸数据之前和之后的对照组,不同的是0.01,这表明,学生们在使用的区别其他社会和政治学习方法并不重要。实验组的预备调查和后续测试数据显示显著差异。进行预测的数据是3.85,后续测试信息是4.07,表明实验平台设计发挥了积极作用。后续测试的比较的两组数据显示明显的差异,这也进一步表明,在线课程学习模式构建具有积极影响学生的创新思维和批判性思维。

3.5。性别对社会科学的影响能力

不同性别的差异分析结果在社会科学学习系统基于深度学习技术如表所示5。

在表5之前,独立样本t测试,数据受到方差方程的列文测试来验证两组的差异是否男大学生和女大学生是相等的。sig,值在测试每个维度的方差都大于0.05,表明建立平等的方差的假设。接下来,sig,价值t以及观察。学习动机和学习能力转移的sig,值是0.04和0.03,分别,这都是小于0.05。它显示了显著差异在学习动机和学习能力转移男大学生和青少年大学生之间。的t这两个维度的值2.01和2.24,分别表明女大学生学习动机和学习能力转移是高于男大学生。由于性别不平等的就业形势,女性往往有更强的学习动机。他们转移学习能力也受到学习动机高,显示出更高的传输的学习能力。

4所示。讨论

CNN情感识别率模型构建基于孔率理论提高了约9%。准确性低于纳文和Sivakumar的研究结果CNN-based pose-invariant人脸识别。较新的自适应形态学双边滤波器用于研究人脸识别的后果未知的光环境下,这里的准确性是一个可接受的范围内,这是高于传统人脸识别(40]。学习过程的影响因素确定通过SPE的文学分析系统的大学生。相比与实验结论影响因素上的金和Kutscher残疾大学生的学习和发展,影响因素添加更多的特定元素基于环境和学生特点(41]。提出了相应假设路径结合布鲁姆的教育目标分类学。模型验证和修正理论模型适用于大学生的学习因素的SPE系统。通过观察路径的理论模型中,大学生缺乏先进的发展思维的批判性思维和创新思维等学习过程。这个电子学习课程的设计提供了依据。这一结论符合托马斯和海耶斯的结论之间的关系至关重要的开放性和反光的怀疑。也就是说,大学生在东方文化中缺乏批判精神42]。电子学习课程旨在提高学习动机,转移学习能力、认知基础和文化特点的大学生的学习,为本研究提供理论和实践基础。在此基础上,网络模型。通过深入分析的学习环境、学习资源和学习推荐系统在线学习的实验平台,一个动态的在线学习实验平台学习和高阶思维发展是设计和开发。平台使用人脸识别模块基于深度学习技术。测试验证平台的稳定性和有效性。这提供了一种方法和一个平台来促进大学生的发展在电子学习高阶思维,使研究更加完整和实用。最后,基于深度学习技术,社会科学的学习能力在不同性别进行了分析。男人和女人之间有显著差异在学习动机和学习迁移。也就是说,女大学生比男大学生有较高的学习动机。 The transfer learning ability of female college students is more robust than that of male college students.

5。结论

在当前网络教学中,教师强调知识的传播和学生掌握知识的能力。学生的请求只有完全接受老师传授的知识,而不需要学生的批判性思维。这是不利于培养学生高阶思维。因此,选择大学生作为研究对象。一个假设的模型的动态学习过程的大学生是构建和实证研究。在线学习课程设计和建造。这可以促进一个在线学习的发展模式对大学生至关重要和创新思维。最后,开发一个在线学习的实验平台,包括一个CNN-based人脸识别模块。结果表明,所构造的学习模式有一定的积极作用。研究内容具有一定的普遍性,它提供了一个新的参考网络教学的发展,应用于社会科学教育学院和大学。 The disadvantage is that the data set in the application of deep learning technology is relatively single. In the research process, the influence of innovative thinking and critical thinking on advanced review has certain limitations. With the development of technology and the increasing needs of learners, online course learning platforms have had a more significant impact on learners’ learning. The online course learning experiment platform can improve the online learning experience of learners. This has a particular effect on the innovation and development of the online course learning experimental platform. In the future, datasets need to be more prosperous and more balanced. Deep learning algorithms are data-driven, and good models can only be trained with good data. The existing datasets are mainly from Western countries, and there is a data imbalance problem. In future work, data sets should be established according to actual application scenarios, which have the characteristics of faces in different countries and regions and the balance of data in various categories. In the construction of the learning platform, the learners’ learning style, cognitive preferences, and other characteristics will be taken into account, and they will be put into large-scale and long-term practice. The relevant functions of the platform will be continuously improved. A learning system that can be widely used in social science education in colleges and universities will be constructed.

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由一个主要的理论和实践研究项目支持陕西省哲学社会科学的研究”研究社会和政治教育媒体平台使用负熵理论”(项目号2021 nd0191)。