文摘

英语听力是一个有效的方法来提高学生的英语表达能力和使用口头交流。然而,从英语教学的现状,当前的英语教学方法过于单一,和老师在教室里不注重口语训练,导致低效率的课堂教学。遵循整体性原则的基础上,相互作用,平衡,和可持续发展的教育生态,提高英语课堂生态要素的协同作用,促进生态互动对话主题,和调节课堂行为,有利于充分发挥信息技术的优势作用在英语教学改革,促进其可持续发展。本文解决了英语听力教学的现状,特别是口语的识别率下降的问题在嘈杂的环境中,并使用dual-sensor语音识别系统提出的原则。我们设计基于递归神经网络的语音识别方法通过收购下颌皮肤的弱振动压力语音信号和语音信号通过空气传播通过传感器在发声过程中。深的机器学习算法用于语音识别在英语教学。合理的帧采样频率设置为获得英语语音信号,然后代表这个语音信号的特征参数获得的线性预测系数,生成和语音特征向量,紧随其后的是递归神经网络算法训练语音功能。在相关实验中,通过与常用的语音识别算法比较,证明该算法英语教学语音识别具有较高的精度和更快的收敛。

1。介绍

教育教学的快速发展,英语听力训练不再能满足多样化,学生的全面和复杂的需求。在这种环境下,教师必须研究的核心文化英语课程,掌握每个阶段的学习情况和发展趋势,并计划和设计课堂教学根据学生的认知、思维和学习规则来促进学生的英语学习和聆听技巧。结合教学实践,我们讨论如何培养倾听的关系,讲,阅读,和写作在英语教学中,教从创造语言环境,课外扩展,听,说,读,写英语。在教学内容方面,人工智能和信息技术的发展为英语学习提供了丰富的学习资源。教师应整合学习资源根据实际教学需要和来自学生的反馈,注重知识和能力的集成以及语言和文化的整合教学内容,构建一个蜘蛛web-type知识结构,扩大语言材料的广度和深度,提高学生思维和语言运用能力。

许多大学正在削减在大学英语教学1]。在一些大学英语课从4减少到每周三个小时。二年级的第二个学期,每周只有两类。没有为低年级和高年级的学生大学英语课程。此外,英语口语的教学列为大学英语视听教学,和类只提供每三周。大学没有任何要求学生的英语口语能力,也不提供任何形式的英语口语考试,甚至包括大学英语教学大纲的范围。从学生的角度来看,许多高校不设置一个阈值线当承认学生对于英语的成绩,从而导致大范围的学生的英语水平。这也有一个伟大的对在大学英语口语教学的影响。学习动机是倾向于引导和维护各种学习活动,是直接推动学生学习的内在动机。大多数的学生英语基础差,再加上高中英语教学是主要集中在语法学习,目的是得到高分,类是无聊和乏味。 This results in most students not being interested in English and students lacking the intrinsic motivation to learn to speak. From a pedagogical point of view, speaking instruction is mainly based on traditional classroom teaching. Students have fewer opportunities for oral input, and their oral output naturally becomes less [2]。

课堂生态观强调创建和谐和可持续发展的课堂生态环境,它提供了新的想法来解决不平衡的问题和专业英语课堂生态的发展停滞的背景下,信息技术。遵循整体性原则的基础上,相互作用,平衡,和可持续发展的教育生态,提高英语课堂生态因子的协同作用和促进生态互动对话对象通过使用语音识别将有助于充分发挥信息技术的优势作用在英语教学改革中,保持英语课堂生态的动态平衡,并促进其可持续发展。

智能教学方法提倡使用现代计算机信息技术,实现智能学习,提高学生的高级思维能力和创新培训,满足学生个性化发展的需要(3]。教学工具参考工具、媒体或设备被教师和学生用来传输教学信息和发展经历了从传统方法如口语、书面文本,和印刷教材现代意味着电子视听设备、多媒体网络,和当前大数据的应用,虚拟现实技术和人工智能技术。现代教学方法改变了传统的教学方法,激发学生的好奇心和对知识的渴望,和课堂教学充满活力。技术突破和更新教学的影响作为一个活动是深远和广泛的。

的教学理念,教师应坚持“以学生为中心”的基础上,合理利用信息技术的优势,防止信息技术主导教学的中心或教师主宰课堂话语,给学生充分的机会发展自己的潜力,让学生成为学习活动设计的主题,参与教学的整个过程,并能够讨论,分析和制定学习目标、学习计划和学习策略在自己的和充分利用信息技术工具和资源来促进学生的转换学习为公开的、个性化的、研究性学习,帮助学生掌握语言知识,提高他们的综合语言技能,并发展可持续学习能力的过程中学会学习。在教学环境方面,如前所述,overlimited教学环境已经成为英语课堂教学的一个限制因素。如果班上学生的数量不能改变,教师可以采用小组教学,改变教室的桌子和椅子根据实际教学需要,创建开放和模拟交际场景的帮助下互联网资源,优化课堂生态环境,提高学生运用语言的机会。同时,教师应让学生充分认识到在课堂上的主要位置,最大限度地发挥学生的学习积极性和自主性,让学生根据自己的学习情况调整自己的学习方法,并收集及时学习反馈进一步改进教学。在教学内容方面,现代信息技术的发展为英语口语学习提供了丰富的学习资源。

教师应根据实际教学需要整合学习资源和来自学生的反馈,注重知识和能力的集成以及语言和文化的整合教学内容,构建一个cobweb-type知识结构,扩大语言材料的广度和深度,提高学生思考的能力和使用语言。最后,评估主体改革英语教学信息包括教师和学生,但评价的内容往往围绕着学生语言输出的完成任务。让学生构建知识和有目的和有针对性地提高自己的综合素质,学生的评价还可以扩展到包括他们的学习态度、潜力,学习习惯和管理。此外,教师和学生也可以评估教师的教学方法、教学软件、教学内容和教学环境,帮助教师获得反馈和改善他们的教学更有针对性和有效的方式。当然,评价不仅限于简单的分数评价的形式但也可以做访谈,问卷调查,和学习和资源使用数据收集,为了进一步优化英语口语的教学。学科之间的沟通和互动的教学生态帮助转移知识、信息,情感,和知识的能量,这是根本原因英语课堂生态的进化。互动的生态课堂师生包括小组活动。的生态学科教学应积极相互交流和相互协调的对话和互动,实现共同发展。应用信息技术是一把双刃剑生态对象之间的交互。

互联网的普及和高速发展帮助主题相互通信实时通过网络平台,但是由于网络环境的优势和劣势,沟通主体的主观意愿,和不同的想法和目标,这样的沟通依靠电子屏幕经常有一定的滞后,不利于学科之间的情感互动。老师和学生之间的情感互动是认知活动的催化剂和成功教学的一个重要条件。根据教室的生态观,教师和学生应该及时相互沟通,彼此平等对话。积极、有效和定期沟通可以帮助教师和学生达到主观建设和发展的教师和学生同时传输和交换知识。老师应该放弃教育教学方法,强调沟通、分享、和反馈师生之间以及学生,这样学生就可以探索,选择,构建自己的知识在开放自由的氛围。此外,教师可以引导学生逐步形成“学习社区”通过定期合作学习和交流。这不仅可以帮助学生减少不适和焦虑面对信息化的教学改革也使学习成员不同的知识结构,思维方式、认知风格和学习习惯是相辅相成的。此外,“学习共同体”可以帮助学生理解个人与集体之间的关系,各部分之间,整个和培养他们的责任感和团队意识。

近年来,人工智能基于信息技术与大学英语教育已经进入了阶段的集成和创新,这是迅速推翻的教育理念和方法积累了数千年,重建教育生态。智能语音技术、英语语言评估系统、语言翻译、聪明的口头练习,自适应系统,个性化学习中心,和智能导师系统广泛应用在大学英语教学中,为大学英语教学带来了前所未有的机遇。它提供了一个解决几十年来教学资源不足的问题,困难,练习“教学,学生根据自己的能力,”和不科学的课程评价在大学英语教学领域。很明显,传统的教学目标、课程设置和教学模式,教师的专业知识不足以应付人工智能技术的新一代的需要。我们必须积极寻求变化之间找到正确的适合AI和大学英语教育。

本文的主要贡献如下:(1)应用程序和计算机技术在英语教学的现状进行了分析。(2)为了克服发音的落后和低精度评价方法,本文应用计算机信息技术的深度学习英语语音识别和构造一个LSTM-based语音识别模型来提高识别精度。(3)在此基础上,多个参数被认为是建立合理和客观的英语语音识别和语音质量评价模型。

2。相关的工作

2.1。目前的研究在大学英语教育在信息时代

英语课程改革的实践中已经很长一段时间忽视了新特点产生的相遇信息技术和专业英语,从而引发教学体系中的生态元素之间的冲突,阻碍英语课堂生态的可持续发展的背景下,信息技术。教师应当符合信息化发展的时代,掌握信息技术的有利作用,并遵循整体性的原则,相互作用,平衡,和可持续发展的教育生态目标和重建英语课堂生态的动态平衡,促进双可持续发展的英语教学和学生的口语能力。

作为学生提高他们的知识结构和批判性思维技能,他们的整体英语能力显著提高。然而,事实上只有为大多数现代学生阅读技巧已经得到了明显的改善。其他技能,尤其是英语口语,一直停滞了很长一段时间后进入学校,一直停滞不前的栩栩如生的表达式(4]。缺乏英语的教与学之间的联系在学校和现代学生的专业需求。大多数学生认为英语课程、英语专业和个人思想作为单独的实体很难创建关系,缺乏表达的能力专业知识内容和个人理解英语。在输出方面,经过一段时间的英语学习,学生仍有各种重大问题与他们的英语口语和写作能力,如语言的生活内容和中国。现代英语教学要求学生学习语言知识的内容从浅到深,而栩栩如生的语言表达式只是停滞不前的底部。如果他们呆在栩栩如生的表情很长一段时间,学生将开发一种刻板印象或固定的表达习惯,然后没有欲望和勇气打破固定模式在心理层面。

在过去,英语课依赖各种辅助教育工具,如课件、视频、和现代媒体。即使他们可以加强教育信息的数量在一个固定的时间和提高感知的有效性,也限制了主动性的教学和学习在一定程度上。第二,老师和学生继续使用教室作为主要的教学和学习的正式网站。在现代人工智能的快速发展以及互联网,教室格式可能导致更大范围的英语教育。今天,许多学校在中国减少教室的人才发展项目。如果你想完成你的学校的英语教育在听,说,阅读,写作,和通用技能,很难这么做只有固定数量的小时,和一些学生将寻求更高水平的英语学习。因此,英语课程的格式大大限制的发展英语教学而言,特定的教育工具,教育内容,教育效果(5]。

人工智能是一个跨学科的前沿学科,是人类思维形式和传统观念逐渐改变和优化人类知识和教育。在我国教育发展的历史,计算机信息技术为教育改革提供了巨大的推动力,使教育工作更有效率和有效,逐渐使教育公平和受欢迎。在人工智能的时代,这些问题将与教义问答书的广泛应用,解决了自适应学习系统中,个人学习中心、智能导师、等,产生的大数据技术,计算机视觉,智能语音技术和自然语言处理技术(6]。高度智能的人工智能技术在大学英语教学中的应用主要体现在以下方面:

智能教学助理系统:有一个伟大的机器人缺乏实证研究支持在中国外语学习。例如,一些学习系统创建虚拟互动平台为外语学习者提供交互式英语听力和口语课程(7,8]。例如,苹果的Siri和百度Xiaodu基于大数据的智能机器。机器翻译系统也可以用来辅助教学(9,10]

虚拟教学:使用全息投影或虚拟现实技术、场景书籍,比如历史和文化,可以提出一个实现真正的经验浸和身临其境的方式提高学生的兴趣和学习11]。“第二人生”是一个免费的虚拟三维空间由2003年林登实验室,它允许用户通过语音和文本连接社会。除了虚拟社交网络,“第二人生”也可以用于网络教学(12]。教师和学生开展教学活动的各种虚拟空间创造的“第二人生”,在英语听力和口语教学模拟各种场景。这种方法不仅大大提高了学生学习英语的乐趣,也增加了学习的交互性

2.2。语音识别的研究现状基础上深入学习

语音识别是研究如何将语音信息转换成文字信息。演讲方面的研究可以分为语音识别,语音合成,和声音识别。它涉及信号处理、自然语言处理等。13]。在现阶段,中国的科技实力大大增强,和旧的和相对过时的语音识别技术已经不再能满足现代社会的发展速度。尽管许多智能终端设备现在有语音识别功能,可以完成人类和机器之间的信息交换,语音识别的精度和速度仍然需要加强,和当前语音识别算法和相关技术很难继续发展。在这种背景下,深度学习已经成为一种重要的方法进一步发展语音识别技术,可以执行模式学习和信息感知像人类的大脑,和有很多的理论研究。然而,深度学习主要是在理论阶段,尚未广泛应用于实际产品。为了解决这个问题,促进一体化的理论和产品,有必要加强研究和开发的语音识别功能的关键部分,如语音信号生成和传播,以促进更好的语音识别技术的发展。

2006年,Ghasemi等人提出了一个深刻的信念网络(DBN)以一种贪婪的分层技术无监督学习算法为核心(14]。多层感知器被DBN pretrained然后调整通过反向传播算法。它提供了一个有效的方法来解决过度拟合的问题和梯度消失深陷网络的优化。诺沃亚等人促成了这一实践的成功。他们使用深层神经网络(款),而不是传统的GMM高斯混合model-Hidden马尔可夫(GMM-HMM)系统并提出了DNN-HMM与音素识别方法作为建模单元,大大降低了误识别率和把它变成真实用户的可接受的范围(15]。GMM-HMM相比,取代了GMM款,语音信号的状态对应于观测使用深层神经网络来构建一个模拟的合奏。输出向量的维数对应的状态数的嗯。

卷积神经网络(cnn)的使用语音识别主要由叠加卷积和池层来获取更高级的功能。这些层顶部设有一个标准完全连接层,代表HMM状态,集训练网络的特性。最好是演讲者或情绪变化。越来越多的研究人员探索卷积在时间和频率轴(16]。

这些探索和实验表明,CNN在DNN-HMM模型的性能优于完全DBN相连。这是因为DBN解释输入以任意顺序,但事实上,演讲的特点是密切相关的频率和时间,和体重共享允许CNN捕捉这些当地的相关性。其次,体重共享和合并帮助CNN获取平等的变化差异,实现更好的鲁棒性和稳定性。DBN,捕捉这样的不变性小频率和时间补偿需要大量的参数。Sainath等人证明了CNN有更好的性能比DBN大词汇任务(17]。这些实验是通过hyperparameter精心优化调整,有限的重量分配,和训练序列。萧等人研究了声学模型的低资源语言基于CNN和得出的结论是,CNN可以提供更好的鲁棒性和泛化性能比DBN低资源条件下的语言(18]。

递归神经网络(RNN)可用于过程时序信号。通过添加反馈到隐层的连接,输入,目前分为两个部分:(1)当前的输入生成的输入序列,也就是普通的前馈神经网络,和传播神经网络获得特征表示。(2)其次是信息保留在内存中生成的输入从之前的时刻。通过这种机制,RNN可以利用先前的信息(19,20.]。这种声学模型进一步研究了文献[21]。已经取得了一些进展通过使用上下文相关的语音单位,使用上下文相关的州LSTM输出空间,使用分布式训练方法(22,23]。与现有方法不同,本文提出的方法结合了Mel频率cepstral系数和LSTM,而将一个多变量模型来评估英语发音的质量。

3所示。算法设计

3.1。英语语音信号增强的数据

在语音信号分析和处理之前,需要增强的预处理,包括预加重、窗口、端点检测、噪声过滤。本文将噪声在自然场景添加到现有的藏语数据在不同信噪比达到数据增强和数据扩展的影响,分别。在这项研究中,梅尔频率倒谱系数(MFCC)特性参数基于听觉特征用于从时域变换语音倒谱域和提取语音特征。MFCC的提取过程如图1。梅尔频率倒谱系数的提取过程的步骤主要包括FFT变换,妹妹过滤和对数变换。非线性变换所产生的噪音和nonrelevant内容过滤。

主要提取算法是快速傅里叶变换(FFT),梅尔过滤器、对数运算,离散余弦变换(DCT)。将使用MFCC特征参数作为输入语音识别模型(24,25]。语音信号的预处理由一阶冷杉高通数字滤波器实现MATLAB系统中数字滤波器的工具箱。添加窗口来处理语音波形使用汉明窗,由窗口函数实现规范化DTFT振幅函数的MATLAB工具箱系统演讲。语音端点检测的喉功能实现的MATLAB工具箱系统演讲。语音信号的特征提取过程基于梅尔频率倒谱系数由MATLAB结合演讲工具箱编程实现。

3.2。LSTM-HMM-Based模型识别的英语口语

提高适应能力音素状态分布,LSTM是用来代替和GMM款。通过训练LSTM、后验概率可以代表不同的声学特性,S1, S2状态转移概率是用 。的输入特性LSTM MFCC。的节点数和隐层的隐藏层可以根据任务的复杂性决定的。相应的标签数据可以通过模型款。具体流程如图2。

LSTM-HMM模型首先通过多层LSTM融合上下文信息,虽然语音特性进一步提取语义通过深入学习。如果输入时间序列很长,它将不可避免地存在梯度消失的现象;即传统RNN并不能很好的模型的长期信息。因为LSTM常用在语音识别的研究中,传统的RNN的隐层神经元LSTM内存块所取代。LSTM的隐层神经元的输出主要是完成LSTM内存块(26,27]。内存块的结构由四部分组成,存储单元,忘记门,输入通道和输出通道。其中,LSTM主要保持信息的内存块,影响当前的输入序列之前,LSTM的核心内容。存储单元的输出之前的时刻一起隐藏层前一时刻的输出影响的内存和内存块的输出下一个时刻。忘记门的作用是删除内存块中的信息对当前没有影响,和输入通道的功能是保持输入有用的信息在内存块。这两个控制控制内存延迟时间的向后传播。输出门控制内存块的输出是基于当前执行的细胞状态。

的输出输入的门th LSTM内存块在隐藏层

方程(1)给LSTM的隐藏层的计算过程,结果被带入方程(2)的输出。遗忘之门的输出th LSTM内存块在隐藏层

也就是说,盖茨的输出是由当前的输入 ,输出每个内存块的前一刻,和输出这个内存块的前一刻,使用乙状结肠作为激活函数,和内存块的输出如下所示:

3.3。Multi-Covariate模型评估英语发音的质量

多参数的框图如图英语发音质量评价模型3。在这项研究中,MFCC特征参数之间的相关系数标准话语和MFCC特征语音识别模型的输出作为发音准确的量化指标来判断发音是否清晰、准确。演讲如何评价量化使用比标准的话语时间测试话语持续时间。节奏评估使用成对变异指数(元太)提出的低的南洋理工大学,新加坡,计算各自的节奏之间的相关性标准的话语和话语的输入。

值得注意的是,根据durational英语演讲单位时间的变化特征,本文采用改进的dPVI参数计算公式比较和计算标准和测试的音节单位段时间单独话语,和转换参数作为系统评价的基础,如所示 在哪里是演讲的长度单位段句子的部门(例如,的长度是k演讲单元段),分钟(Std.单位,测试单位),然后呢的长度是标准的话语。自测试话语长度被正规化与标准的话语长度元太操作之前,可以使用为计算单位。

3.4。传感器控制系统

传感器控制系统主要包括以下功能:语音采集和识别单元负责外部声音从模拟信号到数字信号的转换和数字信号来控制命令。语音远程扩展处理单元用于处理远程语音信息传入的声音通过wi - fi访问信息采集和识别单元进行处理,随后返回声音处理结果的反馈信息远程扩展单元。为了更好的互动体验,本系统实现了一个传统的界面交互终端基于语音交互,负责信息显示和系统配置。控制和反馈单元利用ZigBee无线传感器组成的网络控制网上所有终端设备,而接收他们的反馈信息和做出相应的处理工作。

4所示。实验

4.1。实验准备

在这篇文章中,一个英语演讲数据库使用的是由网络检索。数据主要从网站获得相关的英语教育。数据集是特定的发音英语话语后13阶MFCC特征参数的提取。它包括8800语音数据(10 88人的话语,每一个话语重复10次),44岁男性,44岁之间的女性18 - 26所示。在MFCC特征参数提取,采样率设置为16赫兹,16位编码,和汉明窗加窗函数的预加重过滤的功能 。数据集分为 。实验环境是内存128 GB和英伟达3090 GPU;操作系统和软件平台是Ubuntu 20.04, 1.14 TensorFlow, Python 3.7。和Python 3.5。

LSTM使用门结构和记忆细胞来控制输入的信息流模型,使信息传播在更长一段时间,具有更好的上下文信息的建模能力。摘要LSTM-HMM模型结构建立了包含三个隐藏层;每一层由256年的记忆细胞。所有的隐藏层模型与ReLU最初的学习速率为0.008,和输出层使用softmax函数与初始分类学习速率为0.001。100时代用于模型的迭代训练,和损失曲线和性能改进训练集和验证集数据所示4和5。我们可以看到数据4和5模型训练了100发子弹,模型的性能达到最优80发左右而损失是收敛的。

4.2。分析数据增强处理的效果

摘要“胡言乱语”噪声在自然场景是用于提高数据的加性噪声的方法。语音数据的波形如图所示6。最初的口语训练数据相对比较干净,如图6(一),可以被视为数据在一个理想的环境。相比之下,在自然场景,有各种各样的噪声对语音数据的影响更大。因此,本文执行数据增强通过添加噪声,如图6 (b),可以看出,添加噪声后的演讲更接近真实场景中的数据。

表1显示模型的影响后,使用原始的训练数据训练模型和增强训练数据,识别错误率这个词在训练集,验证集和测试集。与增广数据可以看出,训练可以显著提高的性能模型,使语音识别模型表示的话语更健壮。图7显示精度的变化验证集和训练期间没有增强。增强,不仅提高模型的精度,拟合的速度也有所改善。

4.3。分析英语口语识别的影响

表2显示与数据增强,端到端模型的识别字错误率为25.96%,而且出错率降低5.07%。本文提出的模型的性能超过了其他模型。

4.4。分析英语发音的影响评估

速率和音高相对容易评估。语调评价更为困难。语调评价旨在自动判断的语调发音是标准的计算和显示,标准发音的区别。在语调的研究中,声调的音高是最基本和重要的组成部分。数据8和9显示标准和测试语音的发音语调曲线由自相关函数法提取。球场的语音材料形式表示为声带的基频变化。从基频的变化,不同的语调模式高度起伏变化可以确定;即。,pitch can determine different patterns of intonation rise and fall. Therefore, the key to intonation evaluation is to extract the pitch corresponding to each frame of speech signal in a sentence.

对大学生群体与不同的英语水平和英语演讲相关专家的建议,不同等级分别设置不同的评价指标(音高、速度、节奏和语调)以及综合评价。鉴于人工评估过程中的主体性的教师可能有一个有影响力的对评价结果的影响,本文中使用的系数是测试人工评价结果的可靠性。此外,两位老师的评价结果是平均(四舍五入)来获取每个评价指标,针对不同学生的不同句子的整体得分最后手动评价结果。实验结果如表所示3和图10。索引表中越高,模型越好了。相邻协议的所有四个指标可以接近100%,其中评价有效性的音调是最准确的。

5。结论

与计算机信息技术的快速提高能力在互联网时代,应用算法平台的出现如百度、腾讯,讯飞继续促进人工智能的深度部署应用程序。智能应用程序逐渐出现在爆炸的规模和所有级别的大学英语教学提供服务。今天的智能教室、智能翻译,智能人机对话软件和智能编写修正软件仅仅是语言学习智慧的开始。在信息技术的时代,学校教育应更新教学理念实现个性化,聪明,和交互式学习的人工智能技术的进步。本文探讨了大学英语语音识别的评价问题和发音质量。在英语口语学习方面,国内外一些计算机辅助语言学习系统主要集中在词汇和语法的学习,只有一个或两个评价指标作为评价的基础,有一定的功能性缺陷,只能给学习者一个总比分为他们的发音。英语评价而言,英语口语考试仍然是基于手工评分,并有很强的主观意志,不同的标准,速度慢,更主观的和可重复的和稳定的。要解决这些问题,本文提出了一种LSTM-HMM-based英语识别方法并考虑multiparametric评价指标的方法。语音识别模型提出了被证实具有较高的准确率。采用的评价方法是可靠的和可以给学习者及时、准确,并客观评价和反馈指导,帮助学习者发现自己的发音和标准的发音之间的差异,从而提高学习英语口语的效率。 In the future, we plan to conduct research on the integration of computer information technology and university English education using knowledge graph and graph convolution based.

数据可用性

在当前的研究中使用的数据集是可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了湖南省教学改革(hnjg - 2021 - 0957):混合教学模式的研究与实践背景下的大学英语阅读和写作课程“黄金。”