文摘

随着混合教育模式逐渐变得普遍在各大学在日本,混合的英语教育质量的评价已经成为一个非常重要的问题,这是值得考虑相应的评价方法。在本文中,我们使用一种数据挖掘算法来实现互变现象的评价方法的定量数据和定性的概念和使用英语混合教学模式评估和分析课程的教学质量。评价方法是可行的,并提供一个混合方法。教育质量的评价。参考方法。

1。介绍

随着高校教育改革的进展,这英语混合教育模式从不同的大学,吸引了越来越多的关注,许多大学教师开展实践教育和主题研究旨在改革和课程教育(1,2]。混合教学变得越来越重要,这是大多数教师和学生的欢迎。因此,什么是英语混合教育的教育质量模型以及如何评价教育质量在这个教育模式面临的重要问题是国内大学在教育质量监控3- - - - - -5]。这需要建立一个有效的和英语混合教育综合评价系统模型,我们正在积极考虑各种教育质量评价方法在复杂的教育模式。在大学,有许多参考每日类质量评价方法,从模糊数据处理的角度来看,有粗糙集理论和模糊评价方法,但是他们也有缺点。例如,粗糙集理论采用去除冗余数据,减少信息相对不完整。模糊评价方法有很强的主观性在获取模糊评价矩阵,所以严格的评价结果较低。由于教育评价本身的随机性和模糊性,有必要对我们的评价方法能够反映了随机性和模糊性的评价,评价结果更符合实际情况。在解决这些问题,托马等人用逆向云发生器实现定性和定量评价评论和虚拟云算法的变换获得综合评价云模型(6- - - - - -10]。你们永云提出了一个基于模型的课堂质量数据挖掘方法来估计课堂质量和指标之间的非线性关系。随着数据挖掘算法,数据挖掘算法已经应用于各种系统的定性评估,取得具体成果。数据挖掘算法的应用定性评价可以准确反映评估对象的实际情况和反映评价本身的随机性和模糊性。本文探讨了在混合教育的质量评价中的应用使用数据挖掘算法的相关理论。部分2本文描述了数据挖掘。这个数据挖掘的基础上,部分3提出了一种模型评价方法。部分4介绍了该模型的设计。节5、实验设计和实验分析。节6,结论。

2。描述数据挖掘

数据挖掘的过程一般是指发现隐藏信息在大量数据使用各种方法,如统计、在线分析和情报搜索。教育数据挖掘是指应用程序的多个学科的理论和方法来描述数据,这样人们可以快速区分数据。通过数据挖掘过程,如聚类和关联,我们为学生提供教育视频浏览工具,研究和解决时间问题。例如,教师可以根据学生的学习找到学生学习规则数据和教他们有效地改善他们的教学方法。这提高了教育效率和构建有效的解释性模型来预测和分析未来教育,如图1。

数据挖掘模型的理论方法被用来教评估。它主要使用的三个数字特征值数据挖掘模型(预期 ,熵 ,和superentropy )描述的结果评价和分析教育评价的更详细的信息。在预期,代表了中心点的评估价值的定值评论,期望的地方值落在这评论值范围的评价结果属于评论水平。熵结果反映了模棱两可的评论,大解释说,评论水平是更模糊,superentropy反映了分散度评价结果的评价曲线,解释说,评价结果的不确定性更高。数据挖掘模型的三个数字特征值可以计算使用数据挖掘模型逆向云发生器的方法;即数据挖掘模型的数字特征值为每个评级指数获得大量的量化评级。具体计算过程如下:你可以参考的计算步骤。

3所示。基于数据挖掘的模型评价方法

数据挖掘模型可以实现有效转换之间的定量和定性的概念,从而将大量的特定的评估数据转换为相应的自然评论。根据评价指标数据,数据挖掘模型的逆向云发生器是用来计算的数字特征值每个索引的数据挖掘模型和分析数字特征值的意义(11,12]。因为它英语混合教育包括在线课程的自主学习和课堂教育,整个教学过程包括许多在线和离线的链接。因此,除了评估质量的教师传统的课堂教育,学生应该网上评估。自主学习的状态和网络学习资源的质量评估。由于有限的空间,本文计算和分析了学校的公开课的学习情况“大学英语”从学生的角度,描述了应用数据挖掘模型在教育评价的过程。申请教育评价的具体过程如下(13,14]。

3.1。课程设计的具体评价指标

为了更好地反映该课程教育的实际情况,提高课程的教育质量评估,需要结合具体的教育实践课程开发与课程相对应的评价指标。如果课程是理论课程和实践课程的比例高的动手操作,相应的指标应该不同的强调课程的特点15]。例如,大学开放的英语课程的培训方向是更加注重学生的语言能力,和相应的内容应反映在设计指标。此外,公制的设计不仅考虑指标的全面性,分析每个指标在整个指标的重要性和合理的权重每个指标(16]。两个等级的指标设置根据“大学英语”课程的教学方法。一步指标设置为在线学习,学习资源和课堂学习。二级指标可以设置“在线学习”的自主学习态度的结果,在线视频观看进展和测试。二级指标下“学习资源”可以设置课程视频资源,资源、课程设计和课程实验资源。二级指标下可以设置在教室里“学习”作为教师教学态度、教师教学能力、和模块测试成绩(17,18]。

3.2。各种指标得分

调查设计和发布、学生及相关人员组织各种指标得分,这些评分数据的收集,一些无效数据处理根据指标设置总结有效数据。

3.3。计算的数字特征值数据挖掘模型的各种指标

根据每个指标的得分数据,数据挖掘模型逆向云发生器是用来计算数据为每个指标的低级数字特征值为每个指标数据挖掘模型。这些数字特征值反映每个特定指标的得分分布。

3.4。计算综合评价

根据数字函数值的云模型低级指标,数据挖掘计算方法可用于计算的数据挖掘模型参数高层指示一层一层地,最后,综合评价参数可以计算和获得。作为最终结果的整体评估的评估和测量作为参考的评论水平教育质量评估(19]。

3.5。评论集合

根据学校的日常教育评估的实践,最后评论组的评价教育质量设置为四个层次的“优秀、良好、中等和坏,”和分裂间隔对应于每个评价级别设置和增加。相应的“优秀”等级分数是9 - 10点,“好”水平是8 - 9点,“媒介”水平是6 - 8点,和相应的分数是“坏。“水平是6 - 8分。值是0 - 6分钟。如果期望值的总评分数范围内对应于“优秀”层面上,这种评级的结果是“优秀”。

3.6。画一个云地图

加油和呈现由MATLAB模拟和分析,等。该方法类似于观察点和分布形状,直观判断,结论结果相结合,等等。

3.7。分析和评价结果

作为综合评价结合了云的数字特征值和云滴云地图的分布状态,分析了评价结果,在教育评价是出土的更详细的信息。使用云模型评价方法,每个索引的数字特征指数的每一层可以具体分析,和每个指标的评价结果的评价。如果某种神奇的期望值指数较低,需要进一步的改进在未来,和教育改革可以适当地进行。较低的模块测试成绩在教室里表明,综合应用知识的能力是不够的,全面的培训内容可以在正常时间进行。如果某种神奇的指数的期望值过高,这意味着神奇指数高度认可。例如,测试表明,老师的教学态度得分的期望值最高的指标,表明学生知道老师的教学态度。如果superentropy指标的价值太大,这意味着指标的得分高波动性,这意味着大多数成绩之间的差距很大。

4所示。模型设计

4.1。动态时间规整算法

数据处理和分析必须依靠教育。由于不同的教育情况,收集时间的粒径不同的混合教育数据是不同的。这导致时间维度积累不同的数据格式,从而无法统一时期。在这种情况下,一个典型的数据挖掘模型很难实现自己的性能,所以这个白皮书提出了一种动态时间规整(DTW)算法进行数据处理和分析。基本原则如下:

假设测试数据集R训练数据集T,每个样本数据集的维度米和n。监督学习算法,我们需要比较测试和训练数据集之间的相似之处。此时,可以测量样本的相似性计算欧氏距离D之间的样本。如果 , 当 需要介绍动态规划的思想来计算 。

如图2,测试样本上都标有序列号x设在笛卡尔坐标系统,和训练样本的标记y设在。在这个时候,就可以形成交叉网格在坐标轴上,和网格的交点的交集测试样本和训练样本。与此同时,你需要找到一条从左下角到右上角的轴。的我th,穿过这条路是写成 ,和路径函数。这是为什么

搜索路径时,您需要限制梯度,以确保道路的方向。斜率通常变化从0.5到2。如果路径经过的点在这个时候 ,然后在下一个点是所有可能的情况

此时,上述方程作为约束条件,最好的路径方程(1)是解决,最短路径作为优化目标,并获得目标函数如下:

在轴上任意一点,只有一条路可以最终被传递路径搜索过程。因此,对于 ,只有三种情况 , ,或 在前面的道路上的点。这个时候,你需要选择距离最短的点 这三个案例的两个点与前面的路径上的节点。在这一点上,路径的总距离可以获得如下:

4.2。改进的基于动态弯曲的DTW算法

在上面的方程中,DTW算法的斜率限制路径搜索过程中弯曲的路径。然而,也有一些点,这种限制无法满足实际的迭代过程。把图3作为一个例子,如果钻石在图3执行匹配距离,没有必要计算网格点之外的距离。由于钻石的几何性质,没有必要存储累积每一步的距离计算。

在图3,实际的弯曲路径分为三个部分: , ,和 ,和坐标有以下关系:

采取和接近整数,弯曲的动态匹配的约束条件可以获得在这个时间:

引入动态弯曲后,不需要比较X设在特征向量与相对应的特征向量Y设在点。你所要做的就是比较的特征向量 。本节的端点的计算方法如下:

此时,距离累积的更新方法如下:

根据上面的方程,如果X设在时间标签逐渐进步,你只需要注意累积距离在前面的列。因此,该算法不需要存储所有的距离矩阵,从而实现储蓄的目标所需的内存操作。图4显示了特定的更新方法。

5。实验设计与分析

5.1。实验设计

评估算法的性能,您需要收集和分析数据。在本文中,我们将选择大学混合教育相关数据。参考文献(4)方法(方法1),参考书目(5)方法(方法2),和参考书目6)方法(方法3)用于测试和比较各种方法的检测率。召回率的描述如下:异常数据检测的百分比计算正确的信息样本的总体异常如下:

在上面的公式中,真阳性代表真正的积极率和真阴性代表真正的负类。召回率异常数据集如图5。

从图中的数据5,可以看出,召回率异常点的方法1是高于方法2和3,和方法1的召回率高达98%以上。1是慢性阻塞性肺病的诊断信息。敏感数据的自动挖掘之前,我们使用了一个无监督循序渐进的学习方法来清理敏感数据在慢性阻塞性肺病的诊断信息。这减少了大量的重复的数据库中的数据和改进的召回率。进一步验证这种方法的整体有效性,上面的方法是用来测试自动采矿COPD诊断信息的敏感数据和比较三种方法的时间和相同数量的数据图6。

图分析6显示,与相同数量的数据,方法1消耗更少的时间比方法2和3。这是因为方法1是基于敏感数据的数据清洗框架慢性阻塞性肺病的诊断信息。清洗过程消除错误的数据在慢性阻塞性肺病的诊断数据,减少所需的时间自动采矿COPD诊断信息的敏感数据和验证方法1的效率。上述三种方法的误差数据检测率进行了比较。的检出率不正确的数据可由以下公式计算:

在上面的公式中,表示错误的数据是判断错误的数据,代表正确的数据是正确的数据来判断,代表的判断是错的,正确的数据表示错误的数据是判断正确的数据。

三种方法的检测能力错误数据在图所示7。

随着数据量的增加,检测错误数据的能力下降了。图分析7表明,方法1的错误检测率随数据量增加,但所有超过80%。它会自动解析并记录敏感数据的最优边界函数挖掘慢性阻塞性肺病的诊断信息,处理大量的未标记数据记录,并检测所有错误的数据库中的数据,以避免数据不均匀性。其他无用的数据可以提高你的能力来检测错误的数据。

6。结论

数据挖掘模型可以定量的转换数据定性评估和教学质量评估的有效工具。数据挖掘模型在处理混合教育质量评估有一定的优势。它不仅可以得到综合评估的结果,也反映了模糊性和随机性评估的数据,反映了评估过程的可靠性和合理性。此外,数据挖掘模型方法可用于矿井中包含的意义评价数据和获取更详细的评价信息,这样就可以找到具体问题在教育,方便教师和改善教育目标的方式,从而提高教育的有效性。当然,当评估教育使用数据挖掘模型,有一些问题,使计算过程更复杂,和评估者必须有特定的计算机应用能力。

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

本文支持基础科学研究项目2017年的辽宁省高校“实用研究Microlecture辅助大学英语课程的教学模式基于ESP概念”(项目号2017 jyt22)。