文摘
传统的混合英语口语教学模式有许多明显的缺点,如无法纠正学生的口语发音错误和喂养它们在时间,从而导致的缓慢改善学生的英语学习水平。为此,本文提出了基于核心能力的指导教学模式。根据英语口语的结构混合教学模式,确定应用程序计划的英语口语混合教学模式,设计开发环境,获得语料库,设计口语训练模型,提取口腔功能,识别错误的发音和正确的时间,明确评价的目的,获得初步评价指标,减少评价指标和确定指标权重,得到指标特性信息,生成模糊规则,得到模糊矩阵,实现定量评价,综合评价结果向量矩阵构造分数实现混合口语教学模式的研究。研究表明,混合教学方法是有效和可行的,可以有效地提高评价结果的准确性的混合英语口语教学模式。
1。介绍
教学是社会活动的一个组成部分。社会发展和进步与教学密切相关。在信息技术的应用,教育行业一直处于领先地位。多媒体辅助教学的兴起(1)、网络教学和智能教室改善了教学和发挥了良好的作用在促进信息技术的发展2]。英语口语混合教学模式是一种先进的英语教学形式,近年来已广泛被关注。它的指导下建立核心素养(3],它改变了传统的英语口语教学模式混合,和新媒体时代的到来使混合教学模式成为可能。
混合学习是一个形式主义融合的课堂学习与学习相结合。它部署的计算机工具或网络课程的课堂设置并创建会议/培训,可能连接到互联网的类似场景真实的课堂。它还提供解决方案结合各种交付方法如集成软件,在互联网上提供培训课程,并使用知识管理科目。智能和传统课堂的教学模式发生了根本性转变,和思维理念、课程设计、教学目标是非常不同的。因此,实现混合教学模式一直是近年来研究的重点。文献[4)需要高等数学课程基于“学习+钉直播”为例,提出了混合教学模式研究的在线课程。采取在吕梁大学高等数学课程的网上教学为例,提出了混合网络课程教学模式的“五准备上课前,在课堂上讲课,课后和五个辅机”基于“学习+钉直播,”构造一个在线短的教室,和讨论了教学设计、教学过程、教学效果、教学反思,实现在线课程的教学方法。实践证明,该模型能有效地提高学生的学习兴趣,提高课堂教学的效果。文献[5)以城市学习者对科学的态度相关性为研究对象,提出了一种混合教学方法测试环境的重要性。它使用沉浸式虚拟现实的360个视频展示设计研究迭代测试这本小说技术密集的学习经历如何影响近400个城市小学生的态度对待科学。这些态度都贴上“行为的信念”。采用并行计算和收敛的混合方法设计进行双向多元协方差分析定量的数据集,学生定性自我报告转换成量化的优势以图形化形式。数据支持和设计迭代强调环境的重要性为设计重点,从而有利于学生努力把科学视为相关因素而改变自己的态度。个性化学习是教育的一种学习方法,着重于定制的学习方法对于每一个学生的强项,需求,专业知识,和福利。每个学生获得学习策略,是建立在任何他们熟悉和以何种方式学习最好的。
虽然上述的研究已经取得了一些进展,但核心素养指导研究不适用。因此,本文提出了混合研究英语口语教学模式的指导下核心素养,通过实验分析测试,以促进混合教学模式的推广和实际应用。
2。复杂的英语口语教学模式的设计
英语口语的混合教学模式是基于Android的Linux平台,具有广泛的开放性和不需要任何成本。教学模式的结构主要分为四个部分,即Linux内核中,系统运行时,应用程序框架和应用程序。
2.1。英语口语教学模式混合结构
英语口语的混合教学模式是基于Android的Linux平台,具有广泛的开放性和不需要任何成本。教学模式的结构主要分为四个部分,即Linux内核中,系统运行时,应用程序框架,和应用程序,如图1。第一部分:Linux内核。混合教学模式结构的核心服务使用工程计算GNU / Linux内核提供服务的系统。内核位于中心的设计。它封装了底层和上层软件提供了一个方便的界面。因此,它是整个结构的核心部分。第二部分:系统运行时。它是由系统库和运行时库。系统库包含了一些C / c++标准库文件,可以使用任何组件在Android系统(6,7),为研发人员提供便利的系统平台。运行时主要是分成两部分,即核心库和Dalvik虚拟机制。核心库负责提供所需的功能系统平台使用Java编程;Dalvik虚拟机负责存储数据。这是一个虚拟设备。它的中间代码是完全不同于Java编程机制的核心库。在编写和发展时,它开始设想运行设备最少的存储资源和支持多个虚拟机同时工作。第三部分:应用程序框架。应用程序框架系统的骨干,这显示了混合教学模式结构的设计理念。应用程序框架层的理论基础是Android的研发。通过框架之间的交互和Android的最后一层,研发人员可以简化程序的结构设计研发,但是他们需要遵循框架研发的概念。这部分由组件、窗户、地理信息、沟通、和其他管理服务。所有服务都存储在的核心结构。在运行过程中,各种服务占据独特的线程,可以互相传输数据。第四部分:应用程序。Java技术是用来写它在虚拟机运行程序(8]。工作流如下:编译Java代码和相关的资源文件,生成一个APK包,并设置等接触,主屏幕,并在Android浏览器。应用程序的研发人员可以通过接口为研发人员提供便利的功能应用程序框架层。因此,安卓的开放性使得系统有很强的使用空间。
2.2。应用混合英语口语教学模式
教学模式应用程序采用Java软件强大的编程语言功能,如图2。
就像Java SE,系统程序需要编写Java源文件到一个字节编码的文件被电脑(9)和所有字节编码的文件转化为敏捷文件根据DX软件。此外,该系统有其包装项目,即软件,适应加快应用程序包的生成。适应后,文件的敏捷、布局和各种资源的程序可以被打包成apk文件形式,称为应用程序安装包的apk。这可以解压安装包,安装在手机来生成可执行程序。Dalvik虚拟机可以获得指令和数据的应用程序的工作。APK文件安装后,系统将优化敏捷形成文件的程序在程序运行之前,生成戴伊形成文件,并将其保存在缓存中。虚拟机可以直接执行优化戴伊文件使程序正常工作。优化后,文件将保留在缓存,直到APK文件更改。
2.3。开发环境
英语口语教学模式混合的应用程序开发环境选择跨平台的收藏特色软件(10),即eclipse。Eclipse来自Java编程语言的研究和开发。在以后的阶段,就开始支持集成各种插件。由于其良好的插件扩展能力,这是非常灵活的与其他软件相比。Eclipse结构如图3。
图中可以看到3eclipse包含一个操作平台,java开发工具,以及各种插件开发环境。操作平台的主要系统操作的一部分。Java开发工具提供了系统查看等技能,写作,监管和运行在Java插件编码。基于eclipse平台和Java开发工具、系统研发插件的插件开发环境提供了工具。
3所示。发音纠正在混合英语口语教学指导下的核心竞争力
3.1。语料库的收购
从英语口语发音的角度,语料库是演讲和知识库的来源需要用于语音识别搜索。从绩效评估的角度来看,语料库的质量直接影响评价结果的准确性。朗诵时间设置为20分钟,阅读句子800句英语,和总人数是100。这个句子包含1600个常见的英语单词,固定人员马克每个记录的时间水平的话。
3.2。口语发音训练模型
嗯模型选择培训根据系统特点。流程如下:步骤1:启动模式: 在公式1,代表了传递函数方程当嗯是独立的时候,表示给定状态的监测价值嗯,和在嗯表示初始状态空间价值。步骤2:通过监测和培训 ,新获得的参数,即 第三步:重复上述步骤,直到优化模型参数是收敛的。
3.3。口语发音特征提取
根据结构特点的英语口语教学模式混合,梅尔频率倒谱系数是用来提取功能的用户的英语口语发音训练。梅尔频率倒谱系数指的是语音信号的倒频谱傅里叶变换后得到。它非常不同于真正的倒频谱。根据非线性Mel频率模式,结果是一样的,人类的听觉感知系统。之前计算梅尔频率倒谱系数(11),有必要的光谱范围内设置多个带通滤波器设备提前口语发音。中心频率均匀分布在Mel频率。每个过滤器设备可以重叠。所有信号的加权和振幅的频率内每个过滤器设备被认为是带通设备的输出结果。输出结果计算了对数和离散余弦变换(12,13),英语口语发音特征提取。频率和Mel频率之间的转换公式在这个过程
在公式1,代表英语口语发音的特征值系数,代表英语口语发音的频率。
3.4。错误的发音识别
误差消除方法用于识别错误的发音特征提取的发音,和设置为代表的波动极值频率振动的特征提取的口语发音13];代表的极端值频率振动的槽;显示正确的音频段;代表介子发射频率的振幅;代表了标准的口语发音的振幅;代表频率参数,振动音频特征提取的口语发音
标准化和填补由此产生的音频,
在方程(5),代表音频的离散值填充,代表了灌装的权函数区别最大和最小值,表示两个不同的音频节点之间的跳数(14),而代表节点之间最近的距离和 。填满后,可以接受属性数据规划,导致
在方程6,代表音频指数和显示正确的音频特定周期参数。其属性标签和误差消除识别执行操作获得从以下方程:
在方程(7),代表音频抖动,这是一个参数来衡量所指出的,代表音频属性的值设置和参数误差消除和识别的音频,代表相应的音频匹配因素,代表了高度重量包含在先进的音频,和代表了极限值了误差消除识别的音频(15]。
3.5。错误的发音纠正
输入公式的结果7为校正系统反馈控制设备。反馈控制设备需要提前计算反馈路径。计算公式是
在方程(8),代表反馈的融合算子音频,代表交流规模数值参数,显示音频类型参数编码。
通过反馈路径和相关参数的公式8。如果代表发音的音频失败的价值,表达的音频故障状态序列。这种方法可以比较音频和获得以下公式:
在方程(9),代表的重量比较音频路径。
安排的比较结果数字排序方法能够有效地提高校正的准确性。比较方程的过程
在方程(10),代表最好的音频测量和参数表明一个特定范围内音频校正的准确性。
如果发音的准确性和实际发音 ,所获得的功能关系
在方程(11),代表了反馈系数代表极端的频率。
为了确保校正结果的准确性在反馈过程中,反馈过程是由Luhua处理(16- - - - - -18]。Luhua算法可以直接显示系统的使用和控制音频的上下顺序,使系统正常工作。这个过程的计算公式
在方程(12),代表着学习系数,代表的迭代次数,代表音频采集重量,代表音频节点之间的距离,代表了音频输出值,表示音频采集速度,代表了测量音频节点。
通过控制上、下订单,它可以有效地减少先进的发音纠正错误数据,提高英语口语的发音纠正能力混合教学模式。
3.6。标点符号
标点符号的标志由一组控制,阐明不同文本的意义。使用标点符号的目的是满足的描述文本通过加入或分离,短语或word-clauses。
4所示。英语口语表达能力评价模型建设混合教学模式
发音是一个单词的方法/语言通常是(19,20.]。这可能指的是通用的协议序列/使用过程中产生的声音代表一个特定的词/语言在某种方言或简单地说,这是一个方法的个人/发音单词/语言。
4.1。建立评价指标体系
的具体过程建立英语口语的表达能力评价指标体系的混合教学模式如下:了解评估目的和确定的具体计划;选择相关专家参与评估和制定调查表;得到统计专家意见;并执行对调查结果的分析。核心知识的指导下,经过一系列的操作,得到更多的评价指标,它可以反映所有的品质,专业的需要。
然而,由于大量的指标,收集信息需要大量的人力和物力资源。即使事情可以全面而准确地描述,它将带来一些困难的评估工作。此外,将会有一些这些指标之间的相关性;也就是说,测量指标将重叠的内容。因此,有必要进一步简化、避免指标信息的十字路口。
4.2。减少评价指标和权重计算
通过计算分布特征差异度,主要趋势特征差异度,和离散趋势特征差异程度的指标,然后结合这些函数构造矩阵的歧视和歧视的措施,最后简化结果。具体过程如下:(1)指数分布特征差异度。指数分布特征的差异代表分布位置的不同,可以反映在中央的趋势特征。因此,为了获得指数分布特征的差异,有必要进行分布位置。不同的计算公式如下:
在方程(13),代表总数的指标设置和指标代表了指标函数。
如果一个变量的分布位置指示器设置更改之前和之后的减少值等于1;否则它是0。的具体计算过程方程(13)如下:步骤1:不同的变量,反复测试初始索引中的所有可选的分布位置,并确定最接近初始索引位置的分布类型变量的指导下核心素养;步骤2:检查规范后的相同类型的变量。如果规范后的变量和初始相同类型的变量,定义值为1,反之亦然为0;步骤3:如果所有变量的设置测试过,指数分布特征不同是获得。
4.2.1。准备中央趋势特征差异
中央趋势特征的差异区别各种指标可以反映出趋势,计算公式如下:
方程的计算结果(14)的几何平均指数中心趋势的差异特征。如果指标之间存在显著差异,值为1;否则等于0。
4.2.2。离散趋势特征差异
差异的程度表示为评价指标 ,这反映出指标之间是否存在歧视。计算公式表达为
与上面类似,当一个离散的特征值趋势指数显然是不同的,方程的价值(15)是1,反之亦然是0。
4.2.3。建立差别矩阵
综合分析上述指标的特征差异值,并形成一套指标与巨大差异 - - - - - -矩阵元素。例如,表示元素区分行和列的矩阵。核心知识的指导下,描述了评价目标并比较其与 。
4.2.4。歧视函数建立
根据指数分离矩阵 ,歧视功能是通过结合所有的索引,和歧视函数简化吸收法。简化的结果是减少索引的表达式,并减少集是并行关系。一般来说,选择用更少的指标集。
4.2.5。指标权重计算
结合模糊集理论的重要性,从指标体系删除索引后,分类情况的变化很明显,这表明体重指数高重要性和高;相反,重量很小。可以通过计算指标权重的过程。这种方法减少了手动确定重量的盲目性,降低了索引,减少的数量计算。
4.3。模糊综合评价的口头表达能力
结合生成的模糊规则,模糊综合评价方法评价混合英语口语教学模式。定性评价转化为定量评价主要是根据会员理论。由于评价指标的模糊性,口头表达能力,评估过程需要通过完成模糊综合评价,以确保评价结果的明确性。详细过程如下:步骤1:定义评价等级,表示为优秀,良好,中等,贫穷。第二步:做单因素模糊评价获取评价集。例如,结合二次指数的主要指数“口头表达,”专家, , , ,和专家认为,评价对象很好,很好,中,差;然后, 方程(16)是单因素评价矩阵。步骤3:把语言标准化的程度,声音条件,和语言表达能力作为二级指标形成一个二级指标评价矩阵,即模糊矩阵 。第四步:形成主索引到的评价向量矩阵 ,使用以下方程:
能获得的价值和fuzzify它来确定评价目标的评价分数 。这时,评估分数已经确定,但如果等级划分根据上面的评价得分,一些公平将丢失。评价结果不适用评分分级。如果5点的意思是优秀的,而4.9点意味着好,只有0.1分的差距,但他们分为不同的水平。事实上,5和4.9属于模糊分类,以及它们之间没有明显的差异。因此,本文实现的动态评估通过模糊聚类的口头表达能力。聚类分析是一种多元统计分析方法。不同目标之间的关系可以由模糊数学,可以获得和目标的评价结果更加客观。在聚类过程中,所有的得分结果向量评价目标是形成一个矩阵通过以下方程:
构造模糊关系矩阵 ,在哪里需要 的规范和价值和的专家给出的分数是评价目标约束下的一级评价指标 。然后,模糊关系矩阵是self-multiplied直到满足下列条件:
结合的信心水平 ,模糊聚类的基础上进行(19)获得的最终水平评价的目标。模糊综合评价可以有效地解决小差异分数等级评价的问题,使评价结果更加合理,从而完成研究混合英语口语教学模式的指导下核心素养。
5。实验分析
调查是在visual studio平台上完成。实验环境8核i7 - 5960 x和cup4.0 GHz。设计一个英语口语的终极目标混合教学模式是为教师和学生服务,所以它应该满足师生的需求。在实验之前,一些系统表现用户最关心的是通过实际的调查,包括系统阶跃响应,得分效率,高斯函数cenetr值结果。这些指标作为评价指标来比较性能的方法,该方法在4)和方法(5]。
5.1。阶跃响应的比较分析
本文采用本文的方法,该方法的4],[的方法5)来测试性能的混合口语教学模式,比较了三种不同方法的阶跃响应。阶跃响应系数越高,越高代表系统的运行速度。让的单位阶跃响应米,这意味着系统的变更从0到1的输出在很短的时间。三种不同方法的比较结果如图所示4。
通过分析图4,可以看出,本文方法的阶跃响应曲线波动在反应的初始阶段和方法稳定值10。阶跃响应曲线的方法4]和[5]波动很大。从比较可以看出,该方法的阶跃响应优于(4]和[5),因为这种方法使用中央操作模块来分析和处理指令。中央操作模块是程序控制的主要行结束的英语口语混合教学模式。这个模块可以改变英语口语的输出混合教学模式在短时间内从0到1,维护一个稳定的状态,这表明,本文方法具有较高的可用性。
5.2。进球效率分析
英语口语发音的进球速度测试通过采样周期英语口语发音数据。采样周期的影响在得分速度混合英语口语教学模式的指导下核心竞争力如表所示1。
从表可以看出1的收集周期对得分有很大的影响速度的英语口语发音质量评分系统基于虚拟现实。当收集周期3∼4,评分系统的速度是31日∼40年代,这明显高于在其他区间,表明这种教学模式的得分是及时的。进一步证明了可实现性混合的英语口语教学模式的指导下核心素养。
5.3。高斯函数的中心价值的结果
假设有三个输入变量 和六个模糊规则 生成。比较相似的这种方法生成的模糊规则的方法(4]和[5]。高斯函数需要用于相似度计算。高斯函数的值中心和宽度在这个实验如表所示2和3,分别。
从表可以看出4,该方法生成的模糊规则的相似性高于0.5。一般来说,规则可以合并的价值只有当相似度大于0.5。,但是这两种方法在4]和[5)低于0.5,这使得一些规则无法合并。这表明,该方法具有较好的相似性模糊规则可以确保更合理的规则,减少模糊信息的损失,提高混合的能力评估结果的准确性的英语口语教学模式的指导下核心素养。
6。结论与展望
6.1。结论
核心竞争力的指导下,混合英语口语教学模型的阶跃响应优于文献方法。教学模式的得分是及时的,证明了混合动力的可靠性的指导下的英语口语教学模式的核心素养提出了。本文混合教学模式具有较好的相似性模糊规则,确保实践更合理,减少不完全信息的损失,提高评价结果的准确性的混合教学模式的指导下英语口语核心素养。
6.2。前景
英语口语教学模式混合的建设是一个复杂的过程复杂,交互元素。英语口语混合教学模式的研究和应用仍处于初级阶段,还有很多需要改进和提高的地方。以下几个方面可以进一步研究未来:(1)混合英语口语教学应该有不同的实现模式根据不同学科的特点,课程和学生的认知阶段和水平。混合的具体实施英语口语教学因学校而异,从学生到学生。实施具体的课程,混合教学仍然需要进一步思考。(2)混合的可行性和推广英语口语教学模式需要进一步验证。(3)混合英语口语教学模型是研究基于当前时代的背景。时代的进一步修改和进一步更新教学理念和教育思想,后续将进行研究和开发。人们的共同进化和技术力量的进一步改革教学模式,并探索英语口语混合教学模式将不会成为终端。在这个阶段,英语口语教学模式仅用于混合少量的主题课程。和更新教学理念和现代科学技术的发展,它将成为一个热点的混合教学模式探索口语主题特色。
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或人际关系可能出现影响工作报告。