文摘

当代课堂教学需要结合学生的课堂行为和他们的心理活动和适当改变教学模式根据学生的心理特点。本文分析了传统的特征识别算法,改进其不足之处后,提出一种改进的特征提取算法,基于课堂学习的实际情况。这个新算法能够有效地提高学生的心理特性预测;这个算法的支持下,一个全面的分析模型与课堂行为识别和心理特征识别构造;同时,建立了系统的功能结构。通过实验研究,分析了本文提出的模型,系统模型的实验数据已经批准了在课堂教学中发挥重要作用。

1。介绍

有效的心理健康教育已成为每个学校的教育工作的首要任务。在许多研究成果,有一个共同的观点,每个人都承认,这是心理活动课程作为一种重要的或实现心理健康教育的主要途径。无论形式,效果,在学生中受欢迎程度,心理活动课程的实际效果是显而易见的。课程的实现必须通过标准化的教学。为了使心理活动在团体辅导课程真正发挥作用,这是非常必要的深入研究心理活动课程的教学设计。回顾以往的研究,我们发现,有许多研究目标、功能、原则、历史发展、心理活动的方法。然而,有明显减少各年龄段心理活动研究高中学生,很少有研究如何设计一个心理活动课程教学模式适合学生发展根据高中学生的特点。因此,结合作者自身的日常教育实践和分析从microperspective高中心理活动课程的设计是本文的研究目的1]。

心理活动课程的教学设计水平如何将直接影响课程的辅导效果。此外,有效和成功的教学设计是教学成功的重要前提和保证。因此,开展相关研究心理活动课程的教学设计具有非常重要的理论和实践意义为提高教学效果和心理活动课程的辅导效果。如何开发一个心理活动课程从更详细的角度来看,如概念的分析活动,活动的定位目标,和设计的活动链接,都是一个好的教学设计应该涉及相关内容。心理咨询教师而言,只有一个设计良好的教学设计可以更好地管理整个类从一个伟大的想法。因此,对于一个成功的心理活动过程,老师首先冷静下来,让精心的教学设计是一个重要的第一步。有效的课堂管理是一个重要的保证一个很好的教训。只有通过控制和管理课堂上一课的有效性可以得到保证。这适用于在其他学科类,特别是对心理活动课程。教师心理活动教室必须意识到课堂管理。 In view of the excessiveness of each link, the feedback of students answering questions, the construction of classroom group motivation, etc., all these require the teachers of the mental activity classroom to do well [2]。在课堂活动中,整个课堂教学活动的不同阶段构成。心理活动过程可以分为一组热身阶段,一组转换阶段,一群工作阶段,和一群结束阶段。此外,每个阶段都有其任务和要求。同时,只有当几个阶段的活动完全开发和挖掘可以一段精神活动课程是有效的,触动学生的心灵可以形成3]。

根据当前教学的实际需要,基于机器学习的算法,本文结合教学需要的心理活动和心理活动分析,联系学生的课堂行为构建研究模型之间的关系学生的课堂行为和心理活动的基础上改进的机器学习和探索学生的课堂行为之间的关系和心理活动。

2。相关工作

本文使用改进的机器学习作为基本算法分析学生课堂行为之间的关系和心理活动。有许多相关研究机器学习因子相关分析,这些文献分析如下。

文献[4聚合用户特征信息从Flickr, Twitter和可口可乐来证明其crossdomain用户建模策略有很大影响推荐质量在冷启动环境。这是最早的研究整合用户数据从多个字段来提高推荐性能。由于不同领域的用户偏好的异质性,文献[5)统一的社会标签和用户在不同系统的语义概念。文献[6)建立用户关系网络,然后用随机漫步识别你的邻居用户的目标用户在源领域,用于协同过滤推荐目标字段。文献[7]映射标签情感类别,然后使用传统的基于内容的推荐方法使crossdomain建议。文献[8)聚合 - - - - - -目标用户的最近邻居每个字段权重,用于协同过滤推荐目标字段。

文献[9)提出了“代码书转移(CBT)”方法实现crossdomain协同过滤。此外,通过压缩集群级别的用户项得分矩阵模式成一个紧凑的形式,获得知识的评价矩阵辅助域。此外,它重建目标字段的稀疏矩阵通过扩展码书和应用到现实世界的数据集和证明的建议影响“电报密码本迁移法”具有明显的优势。文献[10)提出了一种基于联合三因子分解模型非负矩阵。模型使用一个有效的交替最小化算法提高crossdomain推荐效果,它不仅可以学习得分模式之间共享域也灵活控制共享水平。实际数据集上实验结果表明,该模型优于许多现有方法crossrecommendation任务。文献[11)提出了一个crossdomain模型使用分解机(FM)从辅助域获得额外的知识。模型与实值编码特定领域知识的能力特征向量,可以更好地利用交互模式的辅助域,和它的结果比现有crossdomain更有利的推荐方法。针对crossdomain推荐用户和项目之间重叠的系统问题,文献[12]提出了一种矩阵分解方法来学习用户和项目的潜在特征向量。该方法假设系统之间存在着潜在的一致性;例如,潜在的向量都遵守相同的高斯分布在不同的系统。评级数据集上的实验结果的电影、书籍和电子产品表明,由该方法获得的结果比以前获得的算法。

文献[13)提出了一个通用Crossdomain三合一的分解(CDTF)模型的基础上,“user-product-domain”三位一体,它可以更好地捕捉用户因素和工程因素之间的关系在一个特定的领域。此外,它设计了两种算法利用用户的显式和隐式反馈,同时介绍了遗传算法优化的影响域之间的关系。两个真实数据集上实验结果验证的性能提出CDTF模型。文献[14)提出了一个通用crossdomain推荐框架,结合社交网络信息与crossdomain数据。这个框架使用张量分解的组合和社会关系正规化,形成多个域的聚类层次结构张量。真实数据集上的实验结果表明,该框架是比以前的方法。文献[15)提出了一个通用框架,基于内容的crossdomain建议,这是一个有效的功能增强的方法。它使用用户的元数据特性来实现领域适应和LinkedIn的数据集上进行实验,给用户的工作建议。2016年,文献[16)提出了一个基于转移学习自适应模型来预测用户行为在不同的领域。此外,实验在IMDB tweets在四个不同领域,YouTube, Goodreads,潘多拉找到积极参与微博。结果表明,转移学习可以提高性能。

在实际的数据集,multilabel分类的基本挑战是标签相关的有效使用。标签经常成对出现,从学习和预测的角度来看,他们的关系提供了有用的信息而不是样本的基本信息。因此,考虑到相关的标签有利于算法的准确性,提高了预测的命中率。文献[17)建议标签相关可以改善multilabel分类的准确性。更多相关的标签,模型的复杂性越高。如果标签相关的一部分是,真正的依赖关系不能被捕获。如果所有的相关性被认为是,标签的复杂关系是更难对付。

3所示。全面标签相关特性和学生心理活动和课堂行为的样本特征

多个标签的两种转换策略如下:(1)LP方法:它改变了multilabel问题到多类问题,认为不同的标签集的新类别,将数据转换成多类集,并使用多级分类解决问题;(2)BR方法:它将多个标签转换成二进制分类解决问题对于每一个单一的标签。对于每一个标签,标签相关的实例是放置在一个类,其余的在另一个类。由于二进制分类算法可以并行处理高阶添加标签相关时,这有利于提高计算效率,增加相关的策略采用二进制分类预测结果。BR方法选择不同的算法,如决策树,随机森林,支持向量机和神经网络。

如果类似的样本相对较小的十字路口,那么相似并不可靠。为了提高预测结果的可靠性,有必要减少不可靠的结果的影响。因此,本文的邻居预测结果。

的MLNB-BR multilabel分类算法本文和高阶标签关联添加到基于二元分类方法。算法的整体设计如图1。BR方法用于分类数据集的特性。首先,该方法预测的概率存在的标签基于特征向量和合理添加标签关联信息的结果的特征向量预测提高分类精度。由于不同的邻居的可靠性预测结果,分类结果基于邻居相关特性是动态调整的,和你的邻居标签依赖功能被添加到功能修改分类结果(18]。

当基于邻居的分类特性是不可靠的,邻居计算预测结果的不确定性,和邻居的不确定性概率预测是用来正确的分类结果邻居实例。对于不同的标签和样品,重量基于最初的特性和基于邻居的权重特性是动态调整的。如果基于邻居特征分类的可靠性高,选择一个更大的值预测结果的重量邻居的特性可以帮助保护好邻居标签的关系(1]。与此同时,结果调整基于最初的功能。如果基于邻居特征分类的可靠性低,预测结果重量的特征向量可以增加原始特性的影响和帮助纠正这个错误的邻居特性。因此,邻居的相关标签可以集成与分类结果基于特性来提高分类性能。

概率就越大,你的邻居预测发生或不发生的标签 ,越少的不确定性邻居分类的结果,更大的标签是正确预测的概率,并根据你的邻居更可靠的结果分类。相反,发生或不发生的概率较小的邻居预测标签 ,更大的邻居分类的结果的不确定性,降低标签是正确预测的概率,和较低的分类结果的可靠性基于你的邻居。对于每一个样品,你的邻居信息可以根据最大后验概率的原理,计算和标签的发生概率可以获得。为每个样本每个标签 ,邻居信息的可靠性计算的发生和不发生的概率根据邻居的预测标签 。事件发生的不确定性可以通过信息熵来衡量。信息熵的计算公式

大量的测试数据集显示最大后验概率的有效性。发生和不发生的概率计算公式的标签,分别为(19]

MLKNN算法,结合了传统资讯法和贝叶斯法提出了处理multilabel分类问题。MLKNN方法主要从邻居提取标签信息来预测样本标签和计数的准确性邻居预测评估标签发生和不发生的概率。该方法的主要思想是把未知实例的标签信息 - - - - - -最近邻样本通过使用资讯方法和未知实例的标签信息 - - - - - -通过计算最近邻样本标签分布信息根据邻居标签集。之后,它计算标签分布信息基于邻近标签集,并使用每个标签的发生和不发生的概率在邻近样本分类的基础。本文认为MLKNN算法只能反映邻居样本的分布特征,它可以被视为一个属性的邻居样本。在本文中,使用最大后验概率计算邻居的发生和不发生的概率预测标签,和邻居的不确定性信息通过信息熵。

MLKNN的建模过程如下:我们给一个实例和其相应的标签集 ,Y是所有标签,标签的总数的定义是 。如果有一个标签在 ,然后 ,否则, 。 是一组 - - - - - -最近的邻居的实例 。例如 ,有最近的邻居的与标签 。计算公式是

为测试实例 ,的 - - - - - -最近邻集合是第一个获得。的标签 ,如果有一个标签在实例中 ,它是记录为 ,如果没有标签在实例中 ,它是记录为 。我们定义作为包含标签的样本在邻居。基于矢量 ,获得的公式是否实例有一个标签通过贝叶斯最大后验概率准则和标准

利用贝叶斯公式变换后,我们得到的

其中,代表了先验概率的实例有一个标签 。当 , 等于样本的标签除以总数量的样本。

当 , 等于没有标签样本的数量除以总数量的样本。

的后验概率计算如下:

首先,为每一个标签 ,我们数一数 的邻居与标签对整个数据集样本也与标签 。如果有邻居邻居与标签 ,然后 。然后,我们数的比例邻居与标签和他们自己的标签在整个样本。

因为有必要合成邻居相关特性和样本特征和分类器的输出结果转换成一个概率,可以合成不同的信心得分根据重量。本文使用普拉特sigmoid-fitting实值输出映射到方法 概率空间。的方法sigmoid-fitting实值输出到概率如下图2:

函数映射的值的范围 是

参数和拟合参数,用于调整输出值的大小,然后呢是支持向量机的输出值。在训练集,使用最大似然估计参数和这个公式,对训练集的定义是概率值

平滑后,代表阳性样本的数量,代表负样本的数量:

通过最小化负对数似然函数和解决了获取映射函数:

支持向量机的预测结果基于特征向量和SVM基于标签的相关性

根据相对应的概率输出函数SVM,标准SVM输出值转化为 ,和转化为 。邻居的重量特性分类计算

其中,

在最初的功能分类结果,你的邻居标签关联添加到获得最终的综合得分:

根据综合得分,这是判断是否有标签 。

4所示。学生的课堂行为之间的相关性的分析模型和基于改进机器学习心理活动

注意,作为一个学生课堂有效性的重要措施,是课堂行为分析为本文设计的希望捕获,量化,并应用到组的研究。利用本文的研究方法来监控和量化学生的注意力水平不仅在课堂上解决了人力成本和材料成本的传统测量方法的关注,同时也有助于记录和量化实时关注数据在教室里。体现了认知理论指出身体姿势和认知之间的交互状态;也就是说,身体行为的生理指标可以代表不同的认知水平。目前,国内外许多研究正在探索使用不同的行为指标作为中间变量来描述水平的关注。基于先前的研究背景和相关理论,本研究使用了两个指标坐姿类型和坐的姿势变化的频率代表关注的性能。在图所示的评价模型3。

映射计算算法的注意力水平研究详细的在流图4。

根据前面的设计课堂行为的分析,描述了系统的具体实现过程。实现技术的一部分,包括开发环境和工具的一般描述,系统的整体架构,系统的每个模块的具体实现方案,系统应用程序和相应的用户使用过程在下一章。系统的总体框架如图5。

掌握单片机的工作流程图如图6。

根据工作流程图表6 stm32l433cbt6,当个人行为收集模块开始工作,先初始化系统,然后,模拟信号的放大OPAMP单片机的运算放大器。同时,通过配合DAC外围多通道采样,实现动态调整的水平。然后,它使用ADC收集数据和传输的处方数据寄存器的数据通过USART DMA收发器驱动程序内存。在ADC的数据采集过程中,数据的64压力点是作为一个循环。当数据量达到,它是根据MQTT网关协议打包和发送到本地字段处理模块通过串口,和下一个ADC进行数据采集,并操作往复。

用户也可以查看历史数据记录的所有课程通过终端软件平台,包括教室的总体数据和相应的个人数据,并得到视觉传说通过添加比较,以便进行深入比较分析教室的情况。流程如图7。

学习者的实时行为数据处理通过学术情感理论,和实时学习者模型。学业情绪状态主要分为积极的和消极的状态。积极状态包括积极高唤醒和积极低唤醒,和负面状态包括消极高唤醒和消极低唤醒,如图8。

5。学生的课堂行为之间的相关分析基于改进机器学习和心理活动

后之间的相关性分析系统构建学生的课堂行为和心理活动基于改进机器学习,本文验证系统的性能,分析是否存在相关性学生心理活动和他们的行为。在这篇文章中,学生的行为特征识别和记录,然后,学生心理活动被记录在系统中建立。首先,数据采集系统的性能评估,结果如表所示1和图9。

通过上面的分析,我们可以看到,学生的相关分析系统的课堂行为和心理活动基于改进机器学习本文构建在数据采集精度高的学生的课堂行为特点和学生的心理活动特征。在此基础上,本文研究了联系学生的课堂行为和心理活动,结果如表所示2和图10。

从上面的分析结果,我们可以看到,学生的课堂行为之间有显著相关性及其二维活动。因此,教师可以判断学生的心理活动,根据学生的课堂行为,这是方便及时调整教学策略和最大改善课堂教学效果。

6。结论

在这篇文章中,我们改进了传统特征识别算法和展示如何提取相邻的标签相关特性实例并查看邻近实例标签分布信息及周边相邻的特征,然后使用特性来计算相关的标签。此外,本文提出一种方法,集成了标签关联特性和样本的特性。方法得到邻居的可靠性信息的发生或不发生的概率的大小的邻居预测标签和纠正的结果邻居特性。

本研究设计和实现之间的相关性分析系统学生的课堂行为和心理活动基于机器学习改善,由多个智能硬件设备,局域网设备,和一个终端可视化和分析软件。此外,该系统可以收集课堂行为变化的实时数据的多个个体在课堂教学中,通过计算变换成集团的注意力水平,通过可视化终端软件。此外,该系统可以作为一个实时补充监测工具,教师在课堂环境,以及长期的数字记录课堂教学和行为分析为教师和学校。

数据可用性

标签数据集用于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

这项研究是由国家认同问题研究广东教育学院和大学促进青年学生在香港的回归在品牌视觉的角度来看,研究项目研究党的建设的会议于2019年在广东高校党的建设(项目号2020 mb015),和分析品牌发展战略指导下独立学院党的建设、党的建设的重要研究主题和思想政治教育2019年吉林大学珠海学院(项目号2019 jzdj001)。