自动评分系统的设计对于英语口语测试基于序列匹配和大数据分析

文摘

与应用程序的自动评分系统各级各类英语口语测试,测试执行的效率大大提高。传统的语音信号处理方法只关注进球特征的提取,这不能保证评分算法的准确性。针对自动评分系统的可靠性,基于序列匹配的原则,本文采用的语音特征提取方法提取的特征的英语口语测试的发音和建立动态优化英语口语发音信号模型基于序列匹配,从而保持良好的动态选择和集群在强干扰环境下的能力。根据综合实验,系统的自动评分结果远高于传统方法,从而大大提高了口语发音的识别能力,解决了不同的自动评分系统和手动评分,并促进计算机自动评分系统来取代或部分取代手动标记。

1。介绍

计算机和网络的普及和相关技术性能的提高,要求听,说,读,写技能在英语中得到越来越高(1]。然而,手动审查机器协助口头测试记录仍然需要一个巨大的劳动力成本。计算机辅助口语测试(计算机辅助口语测试)已经逐渐应用于各级各种口语测试,大大提高测试效率的管理(2]。为了提高计算机测试的客观性,有必要设计一个基于计算机的英语考试自动评分系统,结合智能计算机英语考试的评分系统,进行语音识别和语义特征识别的计算机英语测试的输出。根据语音识别的结果,英语口语测试的自动评估基于计算机实现。优化设计方法研究英语口语测试的自动评分系统是具有重要意义的改进的自动评分级别计算机英语口语测试的智能水平,促进建设计算机英语口语测试(3]。相关系统设计方法研究已经引起了极大关注。

在传统的方法中,英语口语计算机测试的自动评分系统的设计主要包括英语口语计算机的自动评分法测试基于频谱分析和计算机英语口语测试的自动评分方法基于小波分析。相关统计特性分析方法用于设计的自动评分系统的英语口语计算机测试,以提高英语口语计算机的自动得分能力测试(4]。发音的频率特性和相位特性特征序列的英语口语测试分散,导致精度差和低系统的稳定性。因此,它是必要的,以优化的自动评分系统的信号处理部分英语口语测试;结合语音序列的统计分析方法,这项工作提高了信息处理和发音序列分析的能力英语口语测试的自动评分系统(5]。

在本文中,我们提出了一个设计一个自动评分系统的英语口语测试基于序列匹配。自动评分系统的算法设计进行了口语考试的通过语音信号处理方法(6),英语口语的语音信号采集是由使用时间序列分析的方法,收集到的英语口语发音序列混合利用判决反馈均衡调整方法,和英语口语发音的统计信息特征提取序列。判决反馈均衡器(DFE)是一种均衡方法中常用的处方目前并行转换器。适当的延迟时间和重量H1和H2可以确保减少或完全消除码间干扰的输入数据,所以它可以有效改善RX接收性能。相关函数特征匹配方法用于状态评估和标准英语口语的发音比较序列,口语发音序列的谱特征量提取,提取的光谱特征数量的英语口语发音序列与标准发音特征量,和英语口语的自动测试和评分被意识到的差异比较。英语口语的发音序列匹配算法是加载到硬件模块和硬件系统的开发和设计是由使用B / S体系结构系统和DSP (7]。自动评分系统的硬件开发和设计的英语口语计算机考试都意识到,和一个有效的结论。

基于上述分析,本文的章节安排如下。部分2将分析现有口服评分系统的研究现状,并指出了各种算法的优缺点。节3基于发音序列分布信号,采集信号的空间源建模模型是由使用连续数字语音识别方法,基于序列匹配和自动评分系统模型是根据信号的特点,设计模型。部分4将分析人机一致性的结果,使用序列匹配进一步改善系统的动态优化方法,并得到试验结果的评分的准确性。

2。相关工作

研究自动口语得分(已经取得了举世瞩目的成就8]。在传统的方法中,自动评分系统的设计对于英语口语计算机测试主要包括英语口语计算机自动评分法测试基于频谱分析和自动评分方法基于小波分析的英语口语计算机考试(9]。相关统计特性分析方法用于设计的自动评分系统的英语口语计算机测试,以提高英语口语计算机自动得分能力的测试。研究人员对机器的可靠性评分结果进行了测试,比较机器评价和人类评价结果之间的相关性,绝对差异,平均差异,绝对一致性比率,比例大差异,严重出错率等。10]。Adaboost-ELM算法被用来取代支持向量机模块SVM-GSV自动识别系统。与支持向量机算法相比,它有一个更快的训练速度和类似的分类精度11- - - - - -13]。MyET口语的分数测试系统具有很强的稳定性和一般得分达到类似的相关手册,但略缺乏歧视。根据功能分解的结果,自适应滤波器检测和频谱分析进行了英语口语发音的信号,和小波熵的特征信号提取的提高英语口语的发音质量自动检测能力。然而,自动化水平的英语口语计算机自动评分测试用这种方法并不高。美国教育考试服务中心(ETS)使用多种指标的有效性研究开发口服自动评分系统SpeechRater [14)评估在线培训任务传真照片(托福练习在线)15]。当SpeechRater应用于评估TEFT英语教师英语教学(测试),ETS的研究报告采用皮尔逊相关系数和kappa系数来衡量系统的性能和质量。自动评分系统的有效性研究由东方公司开发评估电话口试Phonepass 10设置,人类评价和机器的总分数评价和分数的相关系数在每个维度主要是报道16]。没有本质区别的技术路径采用纵和SpeechRater评分系统的语音识别。两个系统的自动语音识别程序负责处理原始语音文件,也就是说,语言词汇单位的分割和声谱转换,以便准备特征参数提取和分数计算(17]。建立了两个系统的语音识别程序根据隐马尔科夫模型(HMM),可用于识别外来演讲者的演讲。

3所示。英语口语的设计序列匹配模型和评分系统

3.1。在英语口语发音序列分布信号测试

为了实现准确的发音序列信号的检测和参数估计的英语口语测试中,必须首先构建发音的英语口语测试序列信号模型。一般来说,每个音符包括基频和谐波分量。结合动态采集方法,英语口语测试的动态相关性检测是进行直接跟踪检测统计的基本频率。连续数字语音识别系统有两部分:训练和识别。这个培训可以视为嗯建模的过程。通过重新评估参数和调整各种参数的模型,模型具有良好的鲁棒性。改进和优化的基本模型可以有效提高精度,获得更好的识别率。识别过程可视为过程使用现有HMM模型的基础,数据字典和语法控制形成识别网络和使用搜索算法找到最佳匹配。首先,语音信号等待识别是采样,然后转换成电子信号。获得,人耳的测量仍能准确地感知英语口语 ,口语测试的可靠性评估是基于数据驱动的方法,特征量的动态发音系统收到的序列,然后,

其中, 被称为时间尺度因子,简称叫规模,代表候选人每一帧距。英语口语发音序列的输出f(t)。c估计每一帧信号的传播延迟,归一化因子;τ₀口语输出延迟在更高的频率范围,然后呢n(t)是背景干扰。

发音序列的统计特征量的英语口语测试是检测到干扰背景下,如图1。通过规模和时间延迟估计语音信号序列的英语口语测试,光谱分析方法被用于小波尺度分解(18),和动态分布特征量的英语口语测试是获得如下(见图1)。

对短时傅里叶变换),它有一定的分辨率在时域和频域和时频分辨率的STFT在全球范围相同。然而,由于海森堡测不准原理的限制(即量子力学的不确定性原理),每个时频窗口的面积是固定的;即时间分辨率成反比的频率分辨率,所以两项决议不能很高的在同一时间。结合发音序列的时间域和频率域信号的英语口语测试中,考生英语口语测试估计,距和光谱分布函数峰值P(t,f)的振幅谱了。通过不断滑动窗口在时间轴上,每个谱峰和两个参数可以调整。语音的短时傅里叶变换序列分布x(t)英语口语测试被定义为

在上面的公式中,τ短时傅里叶变换的窗函数,f短时傅里叶变换的频域分解功能,原始发音的振幅调制的时间序列。英语口语测试的语音信号序列模型构造上面是用于信号分析。

在实际的过程中,韩国语音信号产生的物理过程不同于上述三个模型但大约是等价的。这也验证朝鲜语音信号是一个短期的稳定的信号和随时间变化的信号。此外,表示听起来都无声的摩擦音,同时表达了激励源,不能通过简单的叠加。

3.2。英语口语发音的特征信号的分析模型

对于收集到的信号模型,连续数字语音识别方法用于空间源建模、和一个连续的数字切割方法与变量时间窗长度用于自适应调整的自动评分系统的来源口腔计算机测试。输出的空间分布源语言信息口头计算机自动评分系统的测试获得了如下:

在上面的,发音连续切割的数量的英语口语计算机考试,和矩阵的非零特征值吗F和G,分别。因为E,F,和G有相关耦合,模块之间的联系越多,他们的耦合越强。同时,这表明他们的独立性更糟糕的是,他们有相同的特征向量一个。特征检测是根据多参数约束进化方法,和联合检测方法被用来获得语音信号频率歧视英语口语计算机测试的输出。特征检测是根据多参数约束进化方法。采用联合检测方法获得英语口语的发音输出信号频率歧视计算机测试如下:

基于分段线性处理的高阶隐马尔可夫模型用于光谱分析(19]。结合光谱特征的对应关系,语义相关分析的语音信号进行了英语口语计算机考试,和输出频谱特性得到:

我们提取语音信号的功率谱密度特征的英语口语计算机考试(20.),改变了语音信号Z成多项式年代(t时间延迟扩展),获得原来的群延时功能W。当计算群延迟函数,信封振幅得到根据信道响应的卷积: 在哪里米= 2πW²基带带宽在单位圆的周长,用于信号检测。结合序列动态选择方法,分析了演讲英语口语计算机考试的相关特点,建立了计算机英语口语测试的自动特征匹配模型,如图2,然后用块匹配和模板匹配的方法来发现和认识到英语口语的演讲相关电脑测试,correlation-based模板匹配实际上是另一个基于灰度值的匹配,但其特点是使用归一化互相关匹配(归一化互相关,NCC)来衡量模板图像和检测图像之间的关系。不同于经典的基于灰度值的匹配算法,它的速度要快得多。与基于形状模板匹配算法相比,它的优势是,它可以检索一些检测图像与轻微的形状变化,复杂的纹理,或者模糊焦点;参见图2。

动态选择的主要对象是复杂的块与复杂性大于国家价值。为了防止不可逆块分类由于复杂性变化提取结束,处理后的复杂性必须大于原来的复杂性而不影响像素排序序列。

3.3。序列匹配的英语口语测试

基于上述特性分析英语口语语音信号采集使用时间序列分析的方法,自动评分系统的英语口语测试设计,英语口语测试和自动评分方法提出了基于序列匹配。在multipitch估计阶段,最优值R_MDMMA(k相声的判断了

让r_我和θ_我英语口语发音的相位信息序列,分别调制信号(21的英语口语获得的序列如下:

结合意义和连续性约束,输出的频率响应表示发音顺序提出了在强干扰环境下英语口语测试:

在上面的,c_k是发音的振幅均衡系数序列的英语口语测试,N是直接纠正扭曲的波形的采样长度,P跟踪和旋律谱,什么时候 ,除法函数R_一个,是球场的宽度候选人是象征 , ,和瞬时频率系数一个_n。之间的匹配进行分析提取的光谱特征量的英语口语发音顺序和标准发音特征量,这是描述如下:

在上面的,是英语口语语音信号的调制误差,然后呢统计检验量。此外,

谐波分量的感知,干扰误差,短时傅里叶变换用于序列匹配的英语口语测试,输出是什么

提取的光谱特征量的英语口语发音序列与标准发音特征量,并扩展序列被用来调节载体来提高英语口语检测的准确性。

3.4。测试自动评分系统的设计

为了帮助学校简化考试过程和提高标记效率,系统包括三种模式:(1)语音识别模型,它被用来识别受试者的单词;(2)标准发音模型,用来判断发音的准确性;(3)一般分数映射模型,提取评分维度特征通过收集大量的口语测试数据根据问题类型区分。提取的主要评分维度和具体功能描述在图3。专家进了口语测试记录。基于SVM(支持向量机)分类器和非线性回归映射算法,从维高精度映射模型特性手册得分(总分)和一个映射模型从个人得分特性(如发音、流利等)可以实现。封闭的口语测试任务,如大声朗读和阅读后,系统可以直接得分,并自动。为开放式的口头测试任务,如回答问题和口语作文,系统首先需要校准。校准的分数是基于200个候选专家数据;参见图3。

这项工作中提取相似特征、句法特征和语音特征从考生样本,添加每个考生的所有科目的相应特征,并把他们与专家评分。这里的专家评分的平均值得分相同的样本。的性能得分被相关系数和不同。所谓的相关系数描述两个向量之间的关联度,和值范围的相关系数(−1,1)。相关系数作为评价指标比较分数专家之间的一致性;相关系数越高,成绩越一致的两位专家对样本;见表1。

表1是所有功能之间的相关系数列表中提到的文本和专家评分。从表中可以看到,除了高相似性特征之间的相关系数和专家评分,句法功能和语音功能也有相对较高的相关系数,表明这些特性非常符合专家的分数。

所有上面的特征提取中,我们只能观察它们之间的相关系数和专家评分,我们可以选择是否所有这些特性在一起发挥积极作用。

4所示。实验和分析

4.1。人机一致性的比较结果

机的平均分数的比较评价和人类评价的四个任务口头测试如图4(代表机器;U1∼U4代表4手动评级机构)。从图可以看到,有一个伟大的差异之间的平均得分机器和人力评估,评估和机器之间的平均分数的差异评价和人力评估大于三大评级机构之一。机器评价和人类评价之间的区别很小,在其他两个任务之间的区别和机器之间的评价和人类评价低于人。具体来说,机器朗读得分高于三个评级机构。机和U3的区别是最小的(MD = 0.66)和机器之间的区别和U2是最大的(MD = 3.30)。复述任务机器的得分很低,机器的区别和U2是最小的(MD = 0.21),和机器之间的区别,U3是最大的(MD = 1.73)。口语作文的得分机器和U1的区别是最小的(MD = 0.45),和机器之间的区别和U2是最大的(MD = 1.70)。机评估的结果是接近的平均得分三个评级机构(= 5.57,MU1∼U4 = 5.16)。结合一致性的机器评价和人类评价(表1),完整的一致性比率和邻近的分数(差异小于2)一致性阅读任务和U4的机器评价率远高于其他两个评级机构的完全一致性率和接近得分一致性的机器评价复述任务和U2是最高的,和机器的一致性率评估的口语作文U1和U4相对较高;参见图4。

得分的相关系数结果三个任务的机器和四个手动评级表所示2:机器得分之间的相关系数的朗读和手动分数很低,从0.279到0.469,这在统计学上意义重大。有显著中等到高机器和手工评分结果之间的相关性的复述和口语作文,和之间的相关系数是0.600和0.703。总的来说,机器评价之间的关系和人类之间的一致性系数评价低于人类的评估,但在某些任务,机器和个人评级机构之间的相关系数高于人们之间。例如,机器之间的相关系数评价和U3口语作文(r= 0.703)高于两个四个评级机构的任务(r_1/2= 0.663, ;r_1/3= 0.653, ;r_2/3= 0.619, );见表2。

基于表2可以看到,U3和机器之间的相关系数,与机器最小的区别和一致性与相邻的分数的比例最高,高达,U2和机器之间,有一个很大的区别与机器和一个小的一致性比率与相邻的分数。这可能是由于这样的事实:邻分数是高和低。但是,相关性只依赖于一致的趋势,也就是说,高或低的比例。

4.2。序列匹配的动态优化

自动评分系统的软件开发和设计都意识到英语口语计算机考试的多层B / S架构下系统。嵌入式开发和模块设计的自动评分系统进行了英语口语计算机考试的开发环境下Multigen Creator 3.2。信息处理中心的英语口语计算机考试自动评分系统以DSP为核心(22- - - - - -24];中央集中控制器自动评分系统的英语口语计算机测试构造之间的沟通和信息共享实现自动评分系统的英语口语计算机考试和计算机网络。JTAG调试接口是用于实时程序阅读和写作和广告转换控制自动评分系统的英语口语计算机考试。SEL1水平由DSP实现控制时钟采样和广告总线控制的自动评分系统(英语口语计算机考试的25- - - - - -27]。B / S架构的系统被用来实现自动评分系统的硬件开发和设计(英语口语计算机考试的28- - - - - -29日];参见图5。

在频域中,语音信号的频谱成分主要集中在300∼3400赫兹的范围。使用这个特性,我们可以使用一个反锯齿带通滤波器取出语音信号在这个范围内的频率分量,然后根据语音信号样本8 kHz的采样率得到离散的语音信号。英语口语发音来源收集的数据序列作为测试对象,结果如图5,结合序列动态选择方法,英语口语计算机考试的演讲相关特征进行了分析,计算机英语口语测试的自动特征匹配的模型建立,和块匹配和模板匹配方法被用来实现序列相关性选择和关联规则挖掘的自动评分的英语口语计算机考试。序列的优化结果得到了动态选择,如图6。

结果表明,该方法可以有效地实现动态选择和英语口语发音序列的聚类,提高口语发音的识别能力。常用的聚类评价指标议长集群错误率(DER),比较了引用发言人标记段标记段获得DER预测的系统。

为了进一步证明了该方法的有效性,该方法的归一化均方根误差比文献[18]和文献[22),测试英语口语计算机考试自动评分的准确性,不同的方法。归一化均方根误差的计算过程如下:

在上面的,n是测量的数量,是一组测量值和真实值之间的偏差。对比结果如图7。

据图分析7信噪比的不断增加,不同方法的归一化均方根误差也减少。归一化均方根误差的方法在文献[18)、文学(22]和文献[23)很近,但两人都比建议的方法。因此,它可以证明该方法误差和较低的得分整体性能好。

4.3。精度测试结果的自动评分

为了测试系统的性能,发音序列信号分析和评分测试英语口语测试进行了MyEclipse 8.5环境(24]。首先,口语发音顺序收集。英语口语测试的语音序列信号持续时间是500年代。口服序列检测的频率调制带宽120 kHz,初始频率的检测f₀= 20 kHz,候选人球每帧的数量是2000,标记间隔0.25秒,标志着口腔发音旋律音程是0.35秒。根据上面的仿真参数设置,自动评分的分析英语口语测试是获取原始语音信号采集结果,自动评分的英语口语测试是获取得分进行精度测试结果,如图8。

据图分析8,该系统可以有效地实现英语口语的自动评分,评分结果准确、可靠,系统的稳定性很好。

5。结论

基于序列匹配的原则,本研究优化设计自动评分系统的英语口语测试,提高英语口语能力的自动测试和评分,并改善了客观性的自动评分系统。时间序列分析方法被用来收集英语口语语音信号,和英语口语语音特征提取方法提取的特征序列收集到的英语口语发音。基于语音序列分布信号,收集到的信号模型建模的连续数字语音识别方法。根据信号的特征模型,基于序列匹配的自动评分系统模型设计实现自动评分的英语口语计算机测试序列的自动得分能力和提高英语口语计算机考试。基于机器和人力评估,评估的结果可以看到,该方法有优势在提高英语口语的自动测试成绩的准确性。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

关于这个研究,不存在利益冲突。

确认

本文并不是由任何组织。

引用

1. Lewandowski n和m . Jilka”语音融合、语言天赋、性格和关注,“通信前沿卷,4 p。18日,2019年。视图:出版商的网站|谷歌学术搜索
2. o . Dušek j . Novikova,诉里斯”评估端到端自然语言的最先进的一代:e2e nlg挑战,”电脑语音和语言59卷,第156 - 123页,2020年。视图:谷歌学术搜索
3. l . Guillou统计c . Hardmeier大肠Lapshinova-Koltunski, s . Loaiciga“代词测试套件English-German MT系统评价京东商城2018年”机器翻译:第三会议论文共享任务,页570 - 577,比利时,布鲁塞尔,2018年10月。视图:谷歌学术搜索
4. d . Fogerty r . Madorskiy j·b·seppo和j·r·Dubno”比较正常的听众和听力的语音识别:模拟控制不同的演讲水平和光谱形状,”日报的言论、语言和听力的研究,卷63,不。12日,第4299 - 4289页,2020年。视图:出版商的网站|谷歌学术搜索
5. H.-T。d .黄S.-T。a .挂,l·普拉“局部知识L2口语评价:比较独立和综合口语考试任务,”语言测试,35卷,不。1,27-49,2018页。视图:出版商的网站|谷歌学术搜索
6. w . Pouw、j.p.特鲁希略和j·a·迪克森”的量化gesture-speech同步:多通道数据采集使用的教程和验证基于视频运动跟踪,”行为研究方法,52卷,不。2、723 - 740年,2020页。视图:出版商的网站|谷歌学术搜索
7. a·加德纳“激励英语对话的学生数据,”语言教学与研究》杂志上,9卷,不。6,1138 - 1146年,2018页。视图:出版商的网站|谷歌学术搜索
8. v . p . Karunaimathi d Gladis, d . Balakrishnan”声音微扰措施使用信号处理算法,估计”国际工程研究和技术杂志》上,13卷,p。3806年,2020年。视图:出版商的网站|谷歌学术搜索
9. y s月亮和i . c . Choi”突出的语言特征的英语学习者口语语料库引起电脑口语考试,”多媒体辅助语言学习,22卷,不。3,54-58,2019页。视图:谷歌学术搜索
10. m·a·杨”和aek phakiti校准,在线写作评估、自动评分和定量研究,“RELC杂志,50卷,不。3、483 - 490年,2019页。视图:出版商的网站|谷歌学术搜索
11. r·a·纳m . Arsalan a·拉赫曼a Rehman, W.-K。Loh, a .保罗,“深度上优于司机情感分类系统在时间序列数据的远程应用程序中,“遥感,12卷,不。3,p。587年,2020年。视图:出版商的网站|谷歌学术搜索
12. m . Floegel美国福克斯,c·a·凯尔”微分贡献两个脑半球的时间和光谱语音反馈控制,”自然通讯,11卷,不。1,第2912 - 2839页,2020。视图:出版商的网站|谷歌学术搜索
13. c .哦,美国汉,j .宋“基于插值时间序列数据增加,”Procedia计算机科学卷,175年,第71 - 64页,2020年。视图:出版商的网站|谷歌学术搜索
14. l . Chen k . Zechner郑胜耀Yoon et al .,“自动评分的外来语言使用speechrater sm v . 5.0引擎,”ETS系列研究报告,卷2018,不。1、文章ID 12198 31页,2018。视图:出版商的网站|谷歌学术搜索
15. l .顾l·戴维斯,j .道,k . Zechner”使用口语技术生成反馈准备新托福测试:用户感知研究中,“在教育评估:原则,政策和实践,28卷,不。1,58 - 76、2021页。视图:出版商的网站|谷歌学术搜索
16. i r . Katz,“当前认知科学的研究在教育考试服务中心(ETS),”《认知科学学报,2016美国宾夕法尼亚州,费城,2016年8月。视图:谷歌学术搜索
17. b . k . Iwana和美国田”的实证调查数据增加时间序列和神经网络分类,“《公共科学图书馆•综合》,16卷,不。7篇文章ID e0254841 2021。视图:出版商的网站|谷歌学术搜索
18. j·j·莫雷诺Escobar o·莫拉莱斯马塔莫罗斯,r . Tejeida帕迪拉et al .,“生物医学信号采集使用传感器并行计算的模式下,“传感器,20卷,不。23日,ID 6991条,2020年。视图:出版商的网站|谷歌学术搜索
19. 吴董,振国,y . j .锅h·苏和y . Liu”Hidden-Markov-model-based异步滤波器设计的非线性连续时间的马尔可夫跳跃系统领域,“IEEE控制论卷,49号6,2294 - 2304年,2018页。视图:谷歌学术搜索
20. Lim, s . j . Kim y . j .公园和n . Kwon“深上优于时间序列模型缺失值处理技术来预测各种类型的液货流量,”专家系统与应用程序文章ID 115532卷,184年,2021年。视图:出版商的网站|谷歌学术搜索
21. p . Kuwalek“AM调制信号估计允许电压波动的来源,进一步研究”IEEE工业电子产品,卷67,不。8,6937 - 6945年,2019页。视图:谷歌学术搜索
22. a . Cherif”难道算法的DSP实时实现用于语音增强,”第八届国际会议上科学学报》的电子、信息技术和电信(SETIT 18),卷147,不。2,p。77年,马格里布,突尼斯,2019年12月。视图:谷歌学术搜索
23. 诉Arora, a . Lahiri和h . Reetz”语音特征语音识别系统在非语言学习发音训练,”美国声学学会杂志》上,卷143,不。1,第108 - 98页,2018。视图:出版商的网站|谷歌学术搜索
24. n . Mercer·沃里克和a·艾哈迈德,”一个口语能力评估工具包:链接评估的研究和发展学生的口语技能”11 - 12岁学习和教学卷,48 51-60,2017页。视图:出版商的网站|谷歌学术搜索
25. t . Grubljesic p·s·科埃略,j . Jaklic”转向socio-organizational司机的商业智能和分析接受,“组织和终端用户计算杂志》上没有,卷。31日。2,页37 - 64,2019。视图:谷歌学术搜索
26. l . > m . Mouritsen和j·r·米勒”角色的感知价值在接受“自备设备”政策。”组织和终端用户计算杂志》上没有,卷。31日。2、65 - 82年,2019页。视图:出版商的网站|谷歌学术搜索
27. a . Shahri m . Hosseini k . Phalp j·泰勒,和r·阿里“工程师游戏化:共识、最佳实践和灰色地带,“组织和终端用户计算杂志》上没有,卷。31日。1,39-60,2019页。视图:出版商的网站|谷歌学术搜索
28. x z Cai和郑”,私人和高效智能cyber-physical系统上传的数据的机制,”IEEE网络科学与工程,7卷,不。2、766 - 775年,2020页。视图:出版商的网站|谷歌学术搜索
29. w·h·李,t . Wang锅et al .,“挖掘关键类java项目通过检查数量非常小的类:一个复杂的基于网络的方法,”IEEE访问9卷,第28088 - 28076页,2021年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Ping Li等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。