文摘
英语是世界的通用语言。在全球经济一体化的背景下,英语学习不仅是一个基本的商业精英,还公众的必修课程。目前,在世界各地的学院和大学,英语作为第一外语必修课了。因此,如何提高英语成绩的影响评估在智能教学的背景下,已成为智能英语教学的一个重要组成部分。由于干扰的影响因素,人为因素,或外部因素,传统的英语教学评价体系的问题是系统灵敏度高,长信封延迟抖动时间,静止状态维护时间短。因此,本研究发展一个英语学习效能评估系统基于k - means聚类算法。SQL Server 2005数据库管理系统软件是用于开发数据库;系统的各个功能模块的设计使用ActiveX,强调评分功能模块的设计;和不同的角色和权限,管理员、教师和学生。学生英语学习效果评价模型基于BP神经网络的训练和k - means聚类算法的目的是优化英语学习效能评估模型,实现有效的英语学习解决英语学习的一致估计的有效性评估。 The performance test results show that the proposed system has a lower sensitivity coefficient, a shorter envelope delay jitter time, and a longer period of steady-state maintenance, indicating that the system can achieve stable operation.
1。介绍
作为通用语言,英语已经成为世界上大多数人的语言,是一种广泛使用的语言。经济全球化的快速发展,学习英语已经成为许多人的需要。在这种背景下,改善教师的英语能力是非常必要的,以提高大学生的英语学习效率和获得流利的英语1]。在应用程序级别还是为了满足专业评估的要求,教师必须不断提高他们的教学能力2]。
学习效果评价是教学过程的核心部分1]。作为一个连续循环的评估过程,效率评价旨在帮助教师进一步了解学生的需求;及时调整教学计划和实践任务;促进学生的自主学习;意识到英语学习的所有链接的录音学习过程,教师和学生之间的沟通,和学生的反馈信息;最后达到自主学习的目的。效能评估的最终目标是促进学生的个人发展和有效地培养和提高学生的效率自主学习,学生真正融入了评价过程的良性循环,实现评价(2]。英语学习的目的是满足学生的需求为个人发展和社会发展对英语人才。个人发展和社会发展的需要已成为外语学习的价值判断标准。这种评价的特征要求必须实现现代教育评价真实性的原则和实现真实性评价(3]。在这种背景下,相关学者已经做了很多关于英语学习评价方法的研究,取得了一些研究成果。
江和谢4外国language-assisted)提出了一个移动学习评价体系。系统是由不同的模块效率评价指标设置,索引值输入,索引值计算,结果显示模块。使用不同模块的组合,实现一个高效的移动外国language-assisted学习评价体系。实验结果表明,该系统大大提高了评价准确性和提供高性能。张、张(5)设计了基于机器学习的能力评估和匹配方法和应用层次分析法(AHP)和模糊综合评价对大学生的综合能力进行评估。他们结合模糊理论和神经网络架构的优点,设计了一种改进的基于神经网络的综合评价算法模型。实验结果表明,该方法可以提高系统评估精度和自适应能力,评价结果客观,学生能力评价具有指导意义。胡(6)提出了一个基于机器学习的教学评价系统的方法。网格搜索寻找最优配置执行加权朴素贝叶斯算法。相比与传统的NB算法,据报道,WNB算法的分类精度为0.81%,而NB算法的0.75%,该模型在教学评价模型有良好的影响。一种基于粒子群优化的英语学习评价模型提出了王et al。7]。提出了一种质量评价指标方法的教学英语使用粒子群优化方法。系统有效的英语教学评价和预测英语作为外语的教学质量。周(8]介绍了一种基于人工智能的学校英语学习平台。系统由数据层、技术层和服务层。系统有效地提供一个自主学习的平台,可以提供教学服务,如即时学习,建议学习,评估基于人工智能的核心技术。系统有潜力提高学生英语听力能力更好、更有效的方式。姚明et al。(9使用一个基于CNN和LSTM自动评分系统。此外,深度信念网(DBN)是用来调查答案,问题,不同的学生模型和复合模型。自动评分的系统取得了良好结果的任务简单的答案。
除了上述方法外,一些学者提出了外语教学的动态评价模型基于马尔可夫链(10]。基于马尔可夫链的动态评价模型以学习者的差异为前提,然后评估对象的个性。实验结果表明,该模型具有独特优势的动态评价过程和评价结果的可预见性和定量测量研究提供了一定的参考动态评价的教学实践。
尽管上述方法能提高英语学习效率的评价效果,评价方法的准确性在一定程度上,由于人工干预等干扰因素的影响或外部因素,也有一些问题,如系统灵敏度高,长信封延迟抖动时间,静止状态维护时间短。因此,为了解决上述问题,本文旨在培养和提高学生的自主学习能力,实现良性循环学习的评价和有效的学习,英语学习效能评估系统和设计基于k - means聚类算法。实验结果表明,所设计的系统可以有效改善传统系统的缺点,实现英语学习效率的定量规划评估,并实现高质量的英语学习有效性的评价。
2。英语学习效能评估系统的设计
2.1。整个系统架构和数据库设计
2.1.1。系统整体架构设计
一个英语语言教学评价体系不仅要满足各种功能需求的学生和教师的评价也实现精确操作。英语学习效能评估系统的开发基于k - means聚类算法,我们使用Windows XP SP2操作系统为背景环境和Visual Basic 6.0和ActiveX用于不同功能模块的开发。软件系统由各种功能模块。系统的整体架构如图1。
系统模块进一步分为三层:应用服务器、数据库服务器和客户机。在这个层次结构下,教师、学生和管理员访问web服务器通过内部网进行在线评估的教学和查询的结果评价。
2.1.2。数据库设计
对于一个评价体系,其核心和基础数据库。它组织系统中大量的数据根据一定的模型,并提供功能,如存储、维护和检索数据,这样用户可以很容易地,及时、准确地从数据库中获得所需的信息(11]。数据库的主要特征的英语学习评价体系如下:(我)是与其他信息管理系统兼容促进信息交流和资源共享。数据库系统设计在本文使用Microsoft SQL Server 2005 (6]。在整个数据库有多个数据表。他们被用来记录学生信息、课程数量信息,学期课程计划信息,基本信息数据的管理员、教师、学生。(2)在数据库中,多个表是用来记录作业信息和答案信息发布的老师,工作的信息提交的学生和学生的自身工作的信息,和工作的数据信息的学生相互评价。实现将终结性评价和过程评价的目的,系统采用数字方法扫描纸和纸笔测试文件和设计测试试卷和得分纪录表。表结构如表所示1和2。
使用表格1和2、英语课程试卷的答案和老师的成绩的信息的所有问题得分记录。
2.2。功能模块设计
该系统具体包括三个角色,即管理员,教师,学生。根据角色的权限,功能模块设计如下。
2.2.1。系统管理模块
系统管理员管理账户的功能,管理信息,并分配权限,包括学生信息管理、各种教学管理部门、教师的信息管理和反馈。管理员可以为各种主题提出意见或建议通过B / S根据权限,管理员可以查询和回复提交的意见和建议。使用这个模块,管理员可以提出意见的教学老师和学生的英语学习。评审通过后,管理员可以回复的意见通过公众公告栏。
2.2.2。标记功能模块
得分函数模块用于集成新的评价方法与传统的评价方法。本文认为,新的评价方法是基于两个提供的集成传统评价方法的优点和引入新的评价理念。这是实现战略的改革学生的英语学习效果评价。整个测试得分函数的实现需要协调管理员和老师。评分模块功能的实现过程如图2。
根据图2,得分的主要用户功能模块是老师。在整个考试过程中,老师负责一系列的任务,比如准备考题,考试得分,并报告结果。在系统的总体设计,试卷扫描功能是分配给大学管理员。管理员组织原始论文和考试试卷收集考场和扫描他们的服务器。测试纸文件夹命名的课程数+老师数。管理员在后台添加试卷答案和得分的任务,和老师进入自己的课程得分任务表根据答案来完成得分。
2.2.3。数据库管理模块
数据库的接口管理模块主要包含学生的姓名,学号,评估者的名字,和每个评价指标的得分。它是用来在学生数量框中输入相应的学生数量并点击“查询”按钮在界面的左下角为每个指标查询学生的成绩在数据库中。它还包括“下一个”或“前”按钮来搜索其他学生信息使用学生证后退或前进。当一个学生要修改记录在数据库中,“查询”按钮可以用来找到学生的记录,然后修改相应的信息记录框,然后单击“修改”按钮修改修改原始数据库中存储的信息。当添加一个新的记录到数据库,它可以用来在每个文本框中填入相应的学生信息,点击“添加记录”菜单栏上添加一个新的记录的原始数据库,然后单击“退出”按钮或菜单上点击“退出系统”退出系统。图3是一个原理图的数据库管理模块的工作原理。
3所示。系统软件设计
3.1。评价模型的设计对学生英语学习的有效性基于BP神经网络的训练
为了进一步提高系统的评价效果,设计英语学习效能评估模型。我们采用BP神经网络训练方法12)设计一个学生英语学习评价模型。详细介绍了模型的设计步骤提出了表3。
经过训练的神经网络可以作为一个有效的工具,定性和定量相结合的方法进行综合评价的目标体系外的样本模式。BP神经网络的具体配置如下。
3.1.1。网络结构层数设置
现有的研究结果已经证明3 - layer前馈神经网络可以与任意精度逼近任意非线性关系13]。为了减少内存资源的消耗,提高网络的学习速度,本文使用3 - layer网络结构来构建评价模型。
3.1.2。权值和阈值的初始设置
适当的初始值的设置范围的重量BP神经连接和网络的阈值将有效缩短学习时间。连接权重和阈值的值范围通常是[−1 + 1]或[−2 /n,+ 2 /n]。本文将网络连接权重和阈值的初始值范围(−1,1)。
3.1.3。设置隐层节点的数量
隐藏层的数量发青的重要作用在BP神经网络的整体性能。将BP神经网络的隐层节点,我们计算隐藏节点的数量 在哪里和代表了在输入层和输出层的节点数量,分别。
3.1.4。网络学习算法选择
BP神经网络(10)经常使用梯度下降法来修改网络的连接权值和阈值的节点。在这种方法中,网络逐渐达到的最小值点的斜率误差函数从一个特定的起点在训练,所以误差为零。的学习方法有问题,如容易训练过程中陷入局部最小值。因此,本文使用l m优化算法改进传统的学习算法。l m优化算法的收敛速度和准确性较好,它适用于BP神经网络学习。
3.1.5。网络转换函数选择
BP神经网络神经元的传递函数包括log-sigmoid tan-sigmoid, purelin。其中,sigmoid-type函数可以很好适应线性和非线性问题和最广泛使用的。因此,本研究设置的转换功能网络的隐层和输出层节点tan-sigmoid log-sigmoid,分别。
最后,可靠性、困难、歧视和原创音乐(也就是说,学生考试的分数)作为BP神经网络的输入,和评估价值(学习效果的量化值)作为BP神经网络的输出建立BP神经网络结构。其中,输入层包含5个节点,即可靠性、有效性,困难,歧视,和原始分数;隐藏层包含11个节点;和输出层只包含1个节点,即学生的英语学习效果,评估价值和价值范围是[0,1]。
3.2。模型优化
为了进一步提高系统的可靠性评估,k - means聚类算法(13)被用来优化英语学习效能评估模型。在优化过程中,让代表系统的可靠性评价指标集,这是组成的评价指标对,可以表示为 ;索引值的设置都是负的。我们使用的标准化评价指标以下方程: 在哪里代表获得的价值评价指标标准化处理后,会员的价值评价指标,代表了相对应的最大价值我th评价指标,代表了相对应的最小值我th评价指标。
根据评价指标的标准化处理结果,模糊评价矩阵(13的英语学习有效性的评价指标评价模型构建和表达如下: 在哪里代表了一致性判断矩阵和一致性指标的临界值。
让相对应的标准偏差评价指标,用来反映的程度的影响学生英语学习的综合评价结果的评价指标。它可以计算 在哪里代表有效性评价指标的平均值是更好的评估对象的价值;代表的基本评价因素体系评价矩阵;和表示程度的影响多因素评价矩阵的综合评价结果。它计算 在哪里和都代表了指标权重矩阵和显示了指标权重矩阵的行向量。
基于标准差 ,判断矩阵的规模评价指标的判断是计算使用以下方程:
根据判断矩阵判断规模评价指标的判断矩阵F构造,它的功能是计算每个有效性评价指标的权重: 在哪里c代表了最小值的有效性评价指标权重,d的最大价值是有效性评价指标权重,然后呢表示参数评价指标的重要性。
根据评价指标权重获得使用(7)结合评价指标(会员价值2),特定的重量计算 在哪里和代表每个因素的指标权重,和都代表了指标权重系数。
我们建立一个英语学习效能评估模型根据有效性评价指标和相应的会员价值和重量:
评价的结果F (t)需要一个值的区间[0,100]。得分越高,越高英语学习效能评估系统的可靠性。
进一步提高英语学习效果的定量评价能力。在本文中,一个英语学习效能评估模型的优化方法基于k - means聚类算法。评价问题转化为求解问题的目标函数(14),也就是说,解决英语学习效果的一致性评估价值获得英语学习有效性的估计价值评价指标(15),可以使用下列方程表示: 在哪里代表的估计价值评价指标得分。
计算评价指标的估计价值的英语学习有效性转化为最小二乘解,给出以下方程: 在哪里G (h)代表评价指标分布序列和真实的一部分G (k)的虚部代表评价指标分布序列。
的随机变化范围的学生的英语学习效率是实现了替代数据方法。经验分布的扰动函数进行数据获取子类的类es。在此基础上,英语学习资源的利用率的表达在效能评估如下: 代表学习资源的数量和在哪里程度的学生的使用数字资源的过程中学习英语。
构建分层树,建立主成分特征的有效性评估学生的英语学习是由k - means聚类算法实现的(16];具体的表达式 在哪里x我代表了学生英语学习的先验分布特征向量评估和有效性代表了K——集群中心向量。我们结合线性特征融合方法实现集群和融合评价指标并获得最终的评价结果:
基于聚类和集成的评估指标,我们完成的有效性的评价学生的英语学习,优化评价模型,提高评价结果的准确性和实用性。
4所示。仿真实验
为了验证设计的英语学习效能评估系统的性能在k - means聚类算法的基础上,进行了仿真实验。在仿真实验中,外国language-assisted移动学习的有效性评价体系和基于机器学习的能力评价体系作为比较系统来获得不同系统的应用程序的性能。
4.1。实验准备
在这个实验中,200名非英语专业的学生从小学一年级到四年级在大学被选为主题,和学生评估三个月了。实验为每个学生建立学习投资组合,其中包括学习进步,学习内容,自我评价和其他评价学习效果,学习活动的自我反省。进行了访谈和问卷调查之前、期间和之后的实验收集学生的评价数据。
选择的实验数据,数据属性不相关的研究中,弱相关研究中,或冗余被删除。最后选定的数据包括总学分数(s),测试总分(T)、听力分数(L),阅读分数(R),和写作分数(W)。这五个属性不仅展示学生英语整体水平的性能,但也提供关于个人信息的缺点,导致总分。以确保实验结果的有效性和准确性,需要处理的数据在数据分析(15- - - - - -18]。这里的数据是标准化的,用来完成数据分析处理。标准化过程后,实验数据转换成一个没有单位的数值测量尺寸;也就是说,这些数据是在同一数量级,并且数据可以比较和分析。我们采用z分数的标准化方法。图4显示了系统测试接口。
4.2。系统性能验证
4.2.1。准备系统的灵敏度
敏感性测试的目的是分析和评价系统的抗攻击。灵敏度系数越高,系统越容易受到攻击和系统的自我修复能力强就越少。在测试,MATLAB (R2015a)软件用于直接获取系统灵敏度系数,结果如表所示4。
系统灵敏度系数表达的是一个数值,和具体的数值区间为0 - 1.0。如表所示4,设计系统的灵敏度值在0.07和0.15之间,的灵敏度值移动外国language-assisted学习效能评估系统在0.20和0.29之间,和灵敏度值基于机器学习的能力评价体系在0.30和0.39之间。很明显,该系统具有最低灵敏度系数,表明该系统是不容易受到攻击和异常有很强的自我修复能力。
4.2.2。信封延迟抖动时间
信封延迟抖动时间越短,越高的稳定系统将[19,20.]。图5信封延迟抖动的比较结果显示不同的系统。
信封延迟抖动提出系统短时间比其他两个系统。图5显示信封延迟抖动时间和三个系统的迭代次数。8次迭代后,提出系统的延迟抖动不会改变显著稳定在0.08 s,证实了所设计的系统具有较高的稳定性,可以更好的完成分配的任务,具有较高的适用性。可以看出,所设计的系统可以有效地减少的平均信封延迟评价体系,在很大程度上提高网络利用率,并减少信封的抖动时间延迟,表明系统的实用价值是高于其他方法。
4.2.3。系统稳态时间维护
以系统的稳态维修时间为实验指标,传统的系统而设计的系统,和结果如图所示6。
从图可以看出6不同系统的稳态维修时间显示一个梯度增长趋势,同时增加迭代的数量。其中,设计系统的稳态维修时间高于传统的系统,和最大稳态维修时间可达175分钟,而移动终端的最大稳态维修时间外国language-assisted学习效能评估系统是105分钟,最大稳态维修时间的基于机器学习的能力评估系统是125分钟。因此,结果表明,设计的系统具有较强的稳定性和良好的鲁棒性。
5。结论
针对解决的问题系统灵敏度高,信封延迟抖动时间长,和短静止状态维修时间在传统的系统中,本文提出了一个英语学习效能评估系统。学生英语学习效果评价模型基于BP神经网络和k - means聚类算法的目的是优化英语学习效能评估模型,实现有效的英语学习解决英语学习的一致估计的有效性评估。各种功能模块的系统由ActiveX设计,强调评分功能模块的设计,并给出不同的角色和授权管理员、教师和学生。拟议的系统具有较低的灵敏度系数,一个信封延迟抖动时间短,和更长一段稳定状态维护,表明该系统能够实现稳定运行。实验结果表明,该系统可以有效地提高传统系统的缺点,实现高质量的评估学生的英语学习效率。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。