文摘
近年来,由于多次爆发流行,正常教学的学生受到影响,许多学校开展了混合在线和离线教学对于学生,这样学生就可以随时随地开展教学活动没有推迟课程学习由于课堂暂停。本文主要研究多媒体计算机辅助的在线和离线混合教学模式下音乐课疫情然后选择两个班级的学生为实验对象进行线上和线下线上和线下传统教学行为和教学为主要,多媒体电脑教学为主要对象,并比较性能差异的两个类在音乐课程,以反映线上和线下多媒体计算机辅助教学的效果。本文详细介绍了算法使用多媒体计算机,然后应用到教学活动来改善现有教学模式的缺陷。为了反映混合的效果由多媒体计算机辅助教学模式,本文选择两类实验中学的对他们的音乐类性能进行实验。在实验前,算法评估和测试,算法的准确率为91.333%。通过教学活动在不同模式的数据和分析测试结果,可以看出,由多媒体计算机辅助教学模式的结果远高于现有的教学模式。相比传统的课堂学习,第一节课的分数在两种模式下的音乐班0.32分和4.74分高于传统的课堂学习,第二个类高出0.25分和7.01分,分别。改进率,改善一班和二班的多媒体计算机辅助教学模式分别为6.593%和9.432%,分别,这表明,多媒体电脑辅助混合教学模式中发挥了积极作用。
1。介绍
随着信息技术的快速发展,人们不仅仅是使用电脑上网。在当前环境下,艾滋病仍然是严重的,学生的正常教学活动在许多国家已经严重影响。在这种情况下,许多学校使用线上和线下相结合的教学模式为学生进行日常教学,这样学生可以在家享受学校的正常教学。在过去的在线和离线教学模式,学校只教学生通过在线平台,平台没有分析学生的问题,和老师不能了解学生的具体情况,只能根据prepreparation教行为。虽然没有推迟学生学习进步,学生的课程这个传统模式下性能没有太大改善,和学习效果甚至低于传统线下教学。在这种情况下,有必要充分利用功能强大的多媒体电脑,让电脑利用个性化推荐算法的优点来提高在线和离线过去的教学模式。准确定位教学活动的问题,执行数据转换处理的文本信息生成的教学活动,为学生的问题回到老师的时间,然后进行相应的更改课程根据结果。最后,改进教学模式的实验分析,并得出结论认为,在线和离线混合由多媒体计算机辅助教学模式对学生的积极影响表现在音乐类。这一结论也提供了可靠的实验依据后续混合教学的变化。针对传统的在线和离线混合教学模式的缺陷,本文主要让多媒体计算机学习的个性化推荐算法,然后加工的关键信息,如文本信息和数字信息生成根据算法特点的教学活动。 Then, the processing results were fed back to the teaching teachers, and the remaining courses can be improved in time to improve the quality and efficiency of teaching. The application of this thinking provides certain ideas for changing the existing online and offline teaching mode.
近年来,受到疫情影响,不仅学校开展了线上和线下教学活动,但有些公司也为员工进行业务培训和其他活动通过线上和线下教学。线上和线下教学的广泛应用引起了许多学者的兴趣并进行了研究。吴通过研究和分析,发现在线和离线混合教学模式可以改变传统的课堂教学模式。它的优点可以帮助实现语言之间的转换,促进外国学生对中国文化的理解1]。许认为,在线和离线教学对大学计算机课程的影响是显而易见的。这种混合教学模式可以带来一个新的教学经验无聊枯燥的编码计算机课程,增加学生的兴趣课程(2]。日元进行了实验分析的在线、离线和online-offline混合教学本科儿童发展课程,以确定是否有课程学生运动员的表现和满意度的差异教学的不同的模式(3]。它可以从先前学者的研究工作,在线和离线教学不仅可以随时随地开展教学活动,而且还提高学生学习。学习兴趣带来的发展具有指导意义的新教学模式。
多媒体计算机辅助教学的应用打破了传统的线上和线下教学的缺陷,并提供一定的方便日常教学。多媒体计算机的优点是不仅反映在学生的教学活动。朱基于小波变换理论,研究了多媒体计算机的图像压缩和编码速度在新闻技术和得出结论,在这个技术,图像压缩和编码更方便和快4]。李分析了多媒体计算机交互式教育在幼儿园教师培训中的应用,发现多媒体计算机交互式教学不仅满足个体差异,还可以提供交互式功能,从而大大提高了孩子的学习能力和兴趣5]。Rachmadtullah研究了多媒体计算机交互在基础教育的影响程度。通过分析学生的学习材料、学习进步,和额外的学习材料,这是众所周知的影响是积极有效的,适合基础教育活动(6]。Simarmata发现在日常教学活动中,教学活动的有效性降低是由于材料的限制。现在多媒体计算机的帮助下,学生可以拓宽玩视频和图片来解释,和教学行为,不能开展过可以生动地展示给学生,这样学生可以有一个深刻的理解和提高他们的学习效率7]。太阳研究了应用多媒体计算机教学平台的大学教育改革。使用多媒体电脑的过程中,教师的教学情况,学生的课程学习情况,和其他因素的充分考虑,两人之间存在的问题系统地处理,大大提高教学的质量(8]。可以看出,多媒体电脑不仅可以用于交互式教学,而且还打开学生的眼睛,提高他们的学习兴趣基于多媒体计算机的丰富的教学资源,多媒体电脑等多功能化提供了新思想的改变当前的教学模式,多媒体计算机的优点可以弥补当前教学的不足,为后续的教学改革提供一些帮助。
本文的创新与线下结合多媒体电脑教学,打破了旧的教学模式,充分发挥多媒体电脑的优势,实现个性化推荐算法为计算机学习,让电脑来分析课程根据学生的在线和离线学习,并给予实时反馈教学的老师在学生的实际情况,然后老师让改进基于课程的结果分析。老师然后改进教学过程的缺陷分析结果的基础上,通过丰富的多媒体教学资源和其他特性,给出了学生有针对性的训练,不仅提高了学生的课程表现也会刺激他们的学习兴趣,并提出这个想法提供一定指导建议后续线上和线下课程。
2。个性化推荐算法理论
传统的在线和离线混合教学模式简单地使用蕴藏和SPOC和其他网络平台为学生进行日常教学活动。这种教学模式的缺点,如效率低,无法及时跟进学生的学习进步。现在有多媒体计算机来改善传统的在线和离线混合教学的缺点。多媒体计算机实现这一点呢?在日常教学活动中,学生对学习内容的掌握和吸收效率是不一样的。传统的混合教学模式可以提高通过计算机的帮助。个性化推荐算法的帮助下,老师可以根据学生的实际情况,教和老师也可以收到学生的个性化学习结果及时反馈计算机,以便老师能提高教学质量。个性化推荐算法可以为用户提供一个精确的配置文件来指导产品的建议,和他们的产品推荐准确性优于其他算法。接下来,介绍了个性化推荐算法的相关理论(9]。
2.1。协同过滤推荐算法
为用户实现个性化推荐实际上是推荐算法,以及算法的适用性决定它可以向用户推荐合适的内容10]。主要的操作过程如下:首先,计算用户或项目之间的相似性度量方法,其次计算用户之间的相似性和物品。最后,找到K最相似的物品,推广前N个最频繁项目标对象在同一领域。
首先需要考虑的是用户之间是否有相似之处。简而言之,如果两个之间的距离近,相似度较高,反之亦然(11]。下面是一些常见的相似性函数:(1)基于皮尔森系数相似度函数来计算相似度用户之间u和用户v,及其计算 其中,我被用户产品评估u同时和v是所有产品的平均分数评价u-th用户。(2)基于余弦向量的相似度函数假设每个评估学生加工成一个向量,其相应的分数,然后学生可以测量之间的相似性计算向量之间的余弦角。假设一个矩阵R的 是用来衡量学生,那么相对应的n维向量的余弦值i行和j行可以计算在这个矩阵,和这个值可以表示为学生之间的相似性。余弦向量相似度区间的范围是[1]。计算是
其中, 代表两个向量的内积。换句话说,如果向量 ,向量 ,然后(3)是向量之间的余弦相似性和 :
2.2。基于内容的推荐算法
基于内容的推荐算法善于克服稀疏和本身的问题,和擅长解释推荐结果,算法执行效率高。具体操作是先提取对象特征,并提取特征足以描述对象,然后记录用户的偏好来生成一个特定的描述性文件。最后,计算用户之间的相似性的真正爱好对象和推荐的对象,然后推荐内容根据相似度(12]。
构建推荐对象模型时,有必要首先评估某个关键字的频率(对象特征提取)的描述出现在推荐的对象,这是表达的重要性,和计算
在(4),关键字出现的次数在推荐对象 ,和词的总和在推荐对象。
在(5),代表了逆文档频率,代表建议语料库中的对象的总数,和 包含关键字代表推荐对象的数量 。
为了判断推荐对象是否符合用户的期望,效用函数是用来计算并解释它。具体表现是
在(6),P是关键词的数量。的值越小 ,更好的推荐对象符合用户预期的理想。
3所示。算法的实现过程
3.1。用户功能
用户特征通常分为属性特征和行为特征13]。个性化推荐给用户的内容取决于用户特征信息的准确性。特定的用户characteristics-related内容如图1。
不同的用户有相应的特征信息。然后挖掘信息收集的推荐系统根据这个特征信息,分析了不同的用户最喜爱的偏好,及时向用户推送个性化内容,满足他们的需求。可以看出特征信息的提取在个性化服务中起着至关重要的作用[14]。用户特征信息的来源如表所示1。
用户一般的属性特征信息登记用户注册账户时。这个基本信息是高度精确和有明显的主导特征代表用户,这是方便系统识别和分析。用户的行为特征主要包括用户的浏览,点击,评论,和其他相关信息,这部分信息包括用户的喜爱偏好。然而,这部分的信息既显式和隐式。明确的信息可以直接获取用户需求,但隐含的信息需要研究和分析的帮助下为用户相应的算法来获取有用的信息。例如,当一个学生注册一个账户,账户信息,比如具体的课程名称和课程内容,不仅如此,但是,当一个学生网上学习,他们反复观看视频或期间他们所问的问题会反映一些关于课程与他们有关的信息。
3.2。标签
当学生进行在线和离线学习,将生成大量数据的学习过程。信息和数据是高度自由、不受约束。这种现象的出现会给随后的系统分析工作带来困难,,很难从这些复杂的文本信息提取对象特征。信息标准化通过抽象的符号,如数字或字符,主要是因为计算机可以处理这些抽象的符号更准确、方便,例如,语言文字。因此,为了更好地反映的影响线上和线下多媒体计算机辅助教学,有必要规范这些文本信息数据在实验之前,以促进系统的特征提取,并实现多媒体计算机辅助的增感效应(15]。例如,张三是一个二年级学生在xx大学主修音乐教育,主修音乐素养课程如阅读乐谱,视、听、节奏、和谐、写作、音乐欣赏、音乐和历史,那么张三相关信息的关键是可以从这些文本中提取。
当学生进行在线和离线学习,生成的文本信息数据可能似乎标志着由用户与一个或多个标记。下面的图片可以用来描述组成如图的关系2。
尽管多媒体计算机不能直接识别和理解的语义标签像人类的大脑,根据图2标签可以反映的意义,标志着课程内容。为了更好地理解标签的标准化,现在有些概念是定义为方便后续工作。
定义1。标签标准化:映射的过程,学生的自定义标签语义标签可以被系统。
定义2。标准标签:标签和清晰的语义和认识到每个人,每个标签之间没有相关性,所有标签标记集。
定义3。词同现率:假定在在线和离线学习过程,一个词的频率反复发生在每个句子,言论或活动等问题。
然而,会有语义歧义标签标准化的过程中。为了解决这个问题,提出了三种改进方法:首先是标签匹配,匹配和分析student-defined标签和标签集;第二个是标准化词汇同现率高;第三是规范标签相似的相似。这三种方法的结合使用可以大大提高准确性和工作效率,由于不清楚语义无法标准化。标准化过程如图的标签3。
3.3。两种标签的操作过程标准化
3.3.1。基于属性的标签标准化同现率
当学生在线和离线学习,他们的自定义标签可能标签错误。在这个时候,有必要使用标准化的标签属性同现率来执行相应的操作。通过使用标记中的所有资源对象集的共性表达标签的真正含义,结合定义3可以看出,这个属性值满足条件,是同现的这个标签的属性值设置为100% (16),其计算过程如下:
假设标签被标准化t,资源集 为标志的t和一个特定的资源 , ,和 第i个属性的属性值的资源。然后,基于属性标签规范化流程同现的标签t描述如下:
现在对资源执行同现分析P标记;如果 ,然后将在这个集合中所有资源的标准标签;如果 ,治疗这种作为一个新的标准标记并将其导入标准标记库。
3.3.2。基于集群的标签规范化
聚类在数据挖掘过程中扮演着重要的角色。简单地说,聚类分类几个类似的对象为集群。每个集群是独立的,有一个集群中的对象之间的相似性或相关性(17]。在标签的聚类过程标准化,这一理论也被用于研究和分析。
在通常的研究过程中,相似性通常是用来测量两个对象之间的相似性。但这仅仅是研究基于数值向量,这个计算方法是不适用在分析文本中单词之间。因此,使用基于MI的方法来计算不同标签之间的相似性。MI是一个测量信息的评价标准。简而言之,它是描述Y的值反映的信息量X(18]。假设离散随机变量,表达式
在(7),是随机变量的熵X,是随机变量的条件熵X考虑到随机变量y两人的表情
的互信息 和熵的标签和计算为
理论上来说,更大的互信息的价值,两个标签之间的相关性就越大;如果和是相关的, ;否则 (19]。也就是说,互信息可以用来代表的价值标签的相似性。为了防止价值超过理论范围内,它是归一化之前的比较(20.]。这两个标签表示为之间的相似性
其中,当 和= 1,有相关性和两个是完全相关的;当 和= 0,没有相关性和 ;在其他情况下,价值的在时间间隔 。
分析和研究标签的相似性后,下一步是集群标签MI的基础上。
个性化推荐算法的聚类过程类似于其他聚类过程。它首先决定了集群中心,一个标准的标签,然后计算本标准其他标签和标签之间的距离。这里,相似度的大小被用来代替距离的大小,相似性高的其他标签标准标签分组到一个数据集,直到剩下的标签之间的相似性,标准标记小于给定值,然后聚类过程结束。最后,剩下的标签是集群相互获得新标准标签,新标准标签被纳入标准的标签数据集,并重复上述操作,直到所有定制标签完成聚类操作。(11)是相似矩阵的定义R标签:
其中,n是标准的数量签名,米自定义标签的数量,是标签的相似性。
MI算法的实现过程如下:
假设有一个标准的标签组 ,其他标签表示 ,和用于表示上述给定的值,然后操作如下:(我)操作1:标签作为集群中心,然后计算两个集合中的所有元素的相似性根据(10)。(2)操作2:计算相似性矩阵R标签根据(11)。(3)操作3:选择最大的元素如果它是在计算矩阵r ,然后总标签到类集中在标签 ,然后删除i行R获得一个 - - - - - -维矩阵。(iv)操作4:重复操作的步骤3的新矩阵获得操作3。当最大的价值元素最终获得矩阵小于给定值,聚类过程终止。获得的集群在上面的过程分为一组 ,的集群中心标准标签 可以表示为 。(v)操作5:集群剩余的标签相似度小于给定值,然后重建标准的标签,然后执行操作的步骤1和2来获得一个新的矩阵。找到这个矩阵的主对角线的最大价值,最后重复操作3和4的过程,并最终形成一套新的集群 。
最后获得的聚类结果表达式
可以看出,每个类形式的标签映射关系的标准标签类,和自定义标签无法集群使用自己的标准标签。上述两种方法结合使用,以弥补彼此的不足,提高标准化的准确性。属性同现率可以弥补的问题类似的标签和太多的标签聚类过程中标准化的标签。两者的结合提高了操作系统的速度和准确度。
4所示。实验标签规范化算法
4.1。数据选择和算法的评估标准
以下4.4.1。实验数据
本文收集1000评论的记录电影从100年豆瓣网平台上的用户。在这个数据集,电影分为8类,即行动,冒险,动画、逻辑、真理,有趣,惊悚片,和恐惧。在实验期间,约翰逊说近来电影相关的策划销售类别,参与这部电影的主要演员的偏好,和影片的花絮是作为电影的标签。根据该算法,标签100个用户的评论是标准化,然后比较和分析根据处理结果和标准标签,然后结合观众的评价结果。在处理的过程中,为了形成一个比较,70%的选择数据集作为训练集,剩下的30%是用作测试集。没有相关性两个数据集和两个数据集包含所有用户的归一化结果和检查标签。
4.1.2。评估标准
为了测试以上算法的性能,应该建立相应的评价标准。在这个实验中,(准确率)被选为标准来衡量的准确性预测结果,及其计算
在(13),是 。
4.2。实验结果
为了验证上述算法的优点,一个斜率算法(方法1),基于关联规则的推荐算法(方法2),和个性化推荐算法(方法3)选择进行比较分析。信息数据在上面的数据集被随机分为9组,然后分别分析了每个数据集使用上面的算法,然后根据计算精度比较,和实验结果如表所示2。
从图可以看出4的个性化推荐算法有更高的精度比其他两个标签标准化算法。现在计算数据的均值,结果如图5(保留小数点后三位的平均值)。
结合数据4和5可以看出,个性化推荐算法的准确性高于其他两个9实验数据集的算法。9数据结果的平均计算后,个性化推荐算法的准确性。率分别为3.444%和4.222%高于其他两个算法,分别表明标准化标签的个性化推荐算法是有效的。
5。多媒体计算机辅助音乐类在线和离线混合教学模式
基于上面的个性化算法的实验验证,得出个性化推荐算法比其它算法的文本信息的标准化和相关内容的建议。匹配完成后,学生的音乐课程学习情况实时反馈给老师通过电脑分析,以便老师能提高基于结果的教学内容,然后使用多媒体电脑教学生的丰富的教学资源在混合方式。为了更好地反映录取率,本文主要对学生学习进行一个postlesson测试和分析结果。
5.1。实验对象和方法
的研究对象是两个普通的类级20所选实验中学,以音乐类的测试成绩为研究对象。之前的实验中,两个班的学生参与实验检查他们是否感兴趣的是音乐课程,以及是否有一个大的波动在音乐课程的成绩。相关调查后,发现两类之间没有显著差异,遇到了这个实验的基本条件。在这个实验中,两个班的学生人数是45岁,第一节课是对照组,实验组和第二课堂。
在实验中,有必要澄清实验变量和其他不相关的变量在实验过程。无关紧要的变量是每个学生的学习速度和感受性,等。本文的独立变量是传统的在线和离线混合教学模式和多媒体计算机辅助在线和离线混合教学模式。类一个使用传统的在线和离线混合教学,第二个类使用多媒体计算机辅助教学在线和离线混合。因变量是学生的考试分数在完成音乐课堂的教学活动。
5.2。实验数据
在实验之前,这两个类应该测试过程性能(这个实验的结果是传统线下教学)的测试结果,以确保两类指标在同一水平。只有以这种方式得出结论,真实、有效的。
使用SPSS来处理和分析的品位数据两类,结果如表所示3和4(满分100分)。
从表可以看出4的平均分数pre-experiment音乐类的一般类1 72.21点,音乐类的平均分数一般类的2是74.56分,第二个类的平均分数是2.35分高于第一节课。比较分析的标准偏差的两个类,发现第二个类的标准偏差小于第一节课,这表明,第二类学生的成绩相对集中。
接下来,一个t以及在两个类上执行,测试结果如表所示5。
从表可以看出5,t以及在执行普通一班和二班的成绩在实验之前。在平等的方差的情况下, ;对于不同的差异, 。这表明不管是否方差相等,两个类之间的差异并不显著;也就是说,两个班的平均成绩是相同的,这意味着可以分析两类实验。
为了确保实验的有效性,期中考试成绩的平均值的两个类作为参考价值(平均的平均分数的两类和成绩在稳定状态,不受剧烈波动由于干扰因素),参考分数从实验获得的分数在传统线下教学模式,和音乐课程的分数在不同的教学模式进行比较和分析后的实验。在音乐类进行两种类型的教学实验后,两个班的学生进行课程的性能,然后获得的分数通过SPSS进行了分析。获得的结果如表所示6和7。
从表可以看出6的平均得分后两类教学的两种模式分别为76.67和81.32,分别和第二类的平均分数是4.65分高于头等车。它表明,在线和离线混合由多媒体计算机辅助教学模式比传统的更有效的在线和离线教学,这有利于提高学生的性能。不仅如此,标准差的两个班的平均成绩是小于之前的测试数据,使两类的分数相对集中,表明混合由多媒体计算机辅助教学模式是可靠的。
表7显示了一个t以及对后两类测试的分数。在平等和不平等的方差p值小于0.05,表明两个样品之间的差异是显著的。也就是说,有一个显著的差异在普通类1和2的成绩后,传统的在线和离线混合教学和在线和离线混合由多媒体计算机辅助教学。第二班的学生的平均成绩提高了第一节课的平均成绩以上,这表明,多媒体计算机辅助教学具有积极作用在线和离线混合教学活动。
为了更好地反映多媒体计算机辅助在线和离线混合教学的效果,本文分别分析了传统教学的表现音乐类nononline和线下教学模式(实验组1),传统的线上和线下教学音乐类性能(实验组2),结果线上和线下多媒体计算机辅助教学的音乐类(实验组3)。实验数据结果如图6分别为(平均成绩)。
在图6,它可以直观地看到,在采用不同的音乐课程教学模式的两个类,他们的分数提高了与传统线下教学。其中,第一节课的音乐类分数是0.32分和4.74分高于传统线下教学成绩在两种模式下,和音乐类二等的分数0.25分和7.01分高于传统线下教学成绩,分别。它显示在这两个类在多媒体计算机辅助教学模式下,学生的表现在音乐类已得到改进。
为了更好地反映成绩的提高,提高利率的基础上计算原始数据,结果如图7(使用传统教学模式下的成绩为基本数据)。
从图可以看出7,提高利率的音乐类分数下的第一和第二课传统的在线和离线混合教学分别为0.445%和0.336%,分别和提高不大;音乐类的改进速度性能的在线和离线混合由多媒体计算机辅助教学模式是6.593%和9.432%,分别的增加远远大于传统的在线和离线混合教学模式。简而言之,增加原来的14.8和28.1倍,这表明,在线和离线的效果混合音乐课程基于多媒体计算机辅助教学是重要的。
6。结论
近年来,许多人通过线上和线下教学完成了学习任务。在线和离线的应用教学模式允许人们开展学习活动,而随时随地为人们提供极大的便利。本文主要进行辅助研究在线和离线混合教学基于多媒体电脑。在研究过程中,两个类实验中学的选择进行比较分析前后变化音乐类的性能实验。在实验前,算法的精度进行了测试实验,并得出结论,该算法是有效的;然后,教两个班在不同模式的教学活动,教学活动完成后,课程进行了测试。然后,测试的结果进行了研究和分析,并得出结论:多媒体计算机辅助教育模式在现有教学模式有积极影响。本文的主要工作可以分为三分。
6.1。理论算法在多媒体计算机概论
本文主要应用了多媒体计算机个性化推荐算法。第一,内容推荐算法和协同过滤算法理论上介绍了个性化推荐算法,并描述了算法的实现过程。
6.2。个性化推荐算法的测试
本文主要使用个性化推荐算法来提高在线和离线混合模式教学。在实验之前,算法的精度需要进行测试,以确保该算法能够快速、准确地判断和分析信息在随后的过程。
6.3。多媒体计算机辅助在线和离线模式分析
本节的重点是传统离线实验比较分析,传统的在线,在线和离线和多媒体计算机辅助教学。学生在不同的教学模式,研究了两类教学模式的比较分析是基于音乐课程性能测试的结果,并得出结论:多媒体计算机辅助在线和离线混合教学模式优于其他教学模式。
由于实验环境的影响,本文实验数据并不完美,数据范围不够大。测试结果可能会有暴力由于不可抗拒的因素,使最后得分分析过程中的某些缺陷,以及这些因素的处理也是后续工作改进的重点。
数据可用性
的数据支持本研究的发现可以从作者在获得合理的请求。
的利益冲突
作者宣称没有潜在的利益冲突的研究,本文的作者,和/或出版。