文摘

数据驱动学习模式是一种新的学习方法。它不仅为学习者提供丰富、多样、大数据和真实的语言,但也为他们创造了一个理想的学习环境,因为它基于语料库教学和学习特点。本文将着眼于如何分析和研究数据驱动学习在大学英语翻译类,以及描述了数据驱动的方法。介绍了数据驱动的翻译教学设计的问题,然后扩展深度学习的概念和学习方法,并进行案例设计与分析大学英语翻译教学。实验的结果表明,有许多问题在传统的翻译教学中,其中一些是由学生和其他教师。大局的实验组优于对照组后大学英语翻译教学的应用设计,表明DDL方法比传统的方法( ),和DDL的总体效果优于传统的方法。

1。介绍

满足大学英语改革的需要,教师意识到大学英语改革的重要性和需要改变他们目前的风格的课程,和网络和计算机活动高度鼓励在当前课程要求。现代教育原则强调学习者,需要学习者参与建设自己的知识体系。与计算机辅助语言教学和学习,因此,数据驱动学习似乎是一个合适的方法,混合感兴趣的知识和教师的课程设计,需要重新评估。

持续的进化信息时代的教育发展提供了极好的机会。使用开放数据驱动学习在大学英语翻译类引发了新一轮的改革。数据学习的主要目标是帮助学生发现和总结语言现象以及观察大量的他们。它与传统教学的不同之处在于,它强调学生的自主学习,使用真实的语言作为观察对象,并强调自我发现和探索作为学习过程的一部分。这种DDL活动提高注意力和语法意识,它可以帮助语言学习从长远来看。翻译教学是基于数据驱动的学习(1,2)可以帮助学习者发展他们的自主学习能力,提高他们的认知和元认知技能。

本文的创新如下。(1)本文结合数据驱动学习大学英语翻译教学和介绍了深度学习理论和学习方法的细节。(2)在面对两个翻译教学方法,使用传统的教学和DDL教学设计实验,分别。本文比较了两种方法的性能评价实验结果和得出结论,DDL优于传统教学。

2。相关工作

与语料库语言学的快速发展在1960年代末,语料库研究人员成为熟悉的语言教学中作为一个潜在的资源。全集正越来越多地用于教育、语言学习的一个例子是通过直接接触全集,也称为数据驱动学习。在翻译教育的背景下,在智利,歌手介绍了实施教学单位根据歌手的数据驱动学习(DDL)建议(3基于任务(TB)框架内)。根据学生和讲师的反馈,DDL-TB翻译教育的方法是适合语言教学。他还提出了一些额外的建议未来DDL-TB项目。他的数据,另一方面,是相当有限的。识别purpose-specific单词教数据驱动的词汇学习活动,奥托提出了一个由三部分组成的方法。他讨论了系统的一个缺点和所花费的时间来实现它,以及两个重要的好处。他调查的角色在土木工程话语和识别单词没有明显的连接工程(例如,现有的或使用),教练可能被忽视。他的性能,另一方面,不是特别让人印象深刻。学生词汇量充足等因素、策略使用和功能记忆与成功的基于语料库研究第二语言词汇学习,据李。参与者的第二语言词汇水平和工作记忆被发现在词汇习得中发挥作用和维护。 He did not, however, account for the impact of other factors in the experiment. In a data-driven learning task, Kim analyzes the trajectories of six English as a Foreign Language (EFL) learners to identify synonyms. Qualitative analysis of trajectories shows that intermediate learners focus on meaning and find the correct answer without knowing the core meaning, and advanced learners focus on structural differences, sometimes testing their previous knowledge on relevant data, by comparing the six participants with significantly different trajectories in distinguishing between synonyms. He did not, however, provide any figures for the phenomenon [4]。Crosthwaite研究描述了一个专门语料库查询和数据可视化平台,整合成一个大型香港大学研究生课题的论文写作计划,跟踪学生的语料库的使用。发现揭示重要的跨学科和国米/ intrauser趋势和变化语料库用户使用特定的语料库特性和查询语法。他的研究内容,另一方面,是不够新颖5]。与不完美的感觉,crn徐等人研究了分散二级用户的基本问题(SUs)进行多通道感知和访问。他们制定通道感知和获取过程multiarmed土匪问题(MABP),他们提出了一个大的数据驱动的在线算法,以处理大规模的采样数据。他们的算法在有限时间对数和渐近,根据理论分析和模拟。他们的算法,另一方面,是低效的6]。数据驱动学习认知和情感利益,根据月亮和哦。(DDL)。根据研究,从消极的课堂学习因素帮助学生,尤其是那些较低的水平,提高他们的语法意识,提高他们的学习动机。然而,他们的方法是不够详细(7]。

3所示。应用程序在数据驱动的教学方法

3.1。概念介绍

3.1.1。语料库

语料库是起源于拉丁语,是指任何文本以口头或书面形式。今天,它通常被用来表示大的文本集合代表不同的特定领域的信息。文本存储在计算机可读的形式,呈现给读者和研究者。

根据上述定义,语料库可以揭示真实的语言现象和克服的局限性直觉和自省,这两个可怜的指导语言学习。自然和频繁发生真正的语言是在语料库中表示,至少在搭配方面,频率、韵律和措辞。因此,语料库能够克服主观性、片面性。然而在计算机生成的全集,相关线路和频率的分析结果更可靠、科学、准确。语料库的优势在于,它提供了一个大型数据库的自然发生的短信,可以分析的文本结构和模式。研究人员、教师和学习者并不仅仅依靠直觉找到符合的证据解释,因为人不可能体验到语言使用的所有实例。语料库在计算语言学通常由数以百万计的单词。语料库的好处包括大量的信息,检索速度快,精确检索,提供了一种新的方式来解决的问题,“教什么”和“如何教”在英语教学8]。

3.1.2。数据驱动学习

数据驱动被越来越多的人在快速发展的同时,教育大数据。数据驱动的方法一般指发现、分析和解决问题通过数据挖掘9和数据分析。作者使用“数据驱动”对CNKI搜索关键字,和时间2021年12月结束。关注指数“数据驱动”关键字如图1。

在过去的15年里,研究人员用大规模语料库来研究实际使用的语言。这些语料库显著提高教学质量的参考资料。出现了一种新的语言学习方法,学生工作与“原始”信息直接取自语料库,它叫做DDL,或数据驱动学习。推广中扮演一个重要的角色在DDL的学习过程。学生需要积极参与学习活动和轮廓的语言规则。泛化训练课程将完全陌生的许多中国学生在一个教育体系,强调记忆而不是泛化或理论的一代。

DDL超越传统外语教学语料库语言学研究与现代信息技术相结合应用到第二语言教学。学生积极使用语料库的材料自己找到意义和语言规则,根据数据驱动学习理论,这有助于提高综合技能。学习者必须寻求、识别和从上下文推断出语言规则为了发现语法规则的材料被研究。当学生被鼓励去遵循这种模式,他们检查真实的语言材料,能得出自己的结论。学生将能够以这种方式有效地习得语言。在传统课堂学生学习规则和定义推导他们从老师的演绎方法和参考书。因此,这种归纳方法补充了当前使用的演绎法。

DDL包括设置情况下,学生可以自己回答关于语言问题通过研究语料库数据和设置目的语言学习情况可能有所不同。教师和学生可以使用原始的索引表和观察他们,不一定知道他们会发现什么,但探索规则、模式和意义。另外,教师可以仔细选择和编辑索引行甚至创建材料揭示语言特征。

3.1.3。数据驱动学习的优点和缺点

数据驱动学习使学习者可以使用计算机网络技术及相关软件工具,如搜索引擎,以改善学生的认知过程在现代教学信息。当然,这也是对他们的未来社会发展很重要。因此,我们正在改变大学英语翻译课程中存在的问题。我们改变教学现状,采用先进的教学方法,以满足单一的高性能要求翻译,以便学生能掌握语言学习技能,提高自主学习能力,培养系统管理和个人和自主学习的能力。

语料库是有利于语言教学,主要是因为他们为学习者和教师提供各种各样的真正目标语言输入和信息的频率使用某些语言项目和最常见的词组或短语。数据驱动学习的优缺点如表所示1。

3.2。深入学习和肤浅的学习

学习的研究基于深层神经网络(10- - - - - -12)被称为深度学习(13,14]。图2情节两个不同的神经网络。

深度学习的目标显然是定义为培养卓越的思维,在学习者批判性建构主体基于内在动机的基础知识学习积极情绪,态度。

肤浅的学习是一种学习,简单和机械。学员被动地获取新知识通过重复记忆基于外部学习动机,及其行为是被动的治疗和缺乏知识交互。为了通过测试和用于其他目的,学员研究测试的内容和记忆它作为个人和无关紧要的事实。长期知识保留和灵活的应用程序很难实现。本研究比较深入学习和浅层学习的目标水平,学习动机、学习目标、学习行为、学习风格、知识系统、反射状态,转移能力,重点方面,认知结果,学习环境,评价方法、情感态度,所以在整理国内外的研究现状,如表所示2。

应该注意的是,强调深度学习并不否认肤浅的学习,和学习是一个持续的过程,从浅层学习深度学习(15]。如图3深,浅学习创建一个平台学习。丰富学生的背景知识,更可以构造知识之间的联系,只能实现多个思维步骤之后。

3.3。学习方法

3.3.1。逻辑回归

最简单的回归是线性回归,等 ,代表独立变量之间的关系和因变量 。然而,线性回归的鲁棒性差,主要是因为线性回归的敏感性是一致的在整个实数域,和分类范围需要在[0,1]。基于线性回归,逻辑回归应用逻辑函数,但是由于物流功能,逻辑回归有有利的地方在机器学习领域的16]。

逻辑回归模型的假设 在哪里代表了特征矢量和代表物流功能。常用的逻辑函数(和函数主要用于本文)是乙状结肠函数,及其表达式所示公式(2):

这个函数是在图的图4:

因此,逻辑回归模型的假设所示公式(3):

LR模型的分类是基于以下几点:对于一个给定的输入变量 ,输出变量的概率是1是根据所选的参数计算,即

ReLu(修正线性单元)函数是一个受欢迎的激活函数,已经逐步取代了s形的函数(17]。ReLu如图的函数图5,它不倾向于使饱和输入的逐渐增加 。

3.3.2。支持向量机

支持向量模型(SVM)是一种学习模型开发的许多研究人员基于统计机器学习理论。近年来,大量研究支持向量机使得支持向量机最重要的一个进步领域的文本分类(18]。支持向量机(svm)是由最优级配的表面与线性可分性。基本的想法是找一个超平面点满足训练集的需求和保持点尽可能远离点表面,和它们之间的距离叫做分类间隔。最优分类面要求分类线不仅正确区分两个类(0)的训练错误率也最大化类间分离两个类,如图6。

假设训练数据 可以分开一个没有错误的超平面 。分类超平面,采样点的最远的两个类应该获得最好的泛化能力。最优超平面将由一些采样点(称为支持向量)接近它。取样间隔的分类超平面θ是

SVM的分类superlevel应该规范化如下优化问题,至少 ,λ和可以扩展。表示为超平面

超平面的支持向量的距离 ;因此,优化问题表示为

根据广场规划方法优化理论,问题转化为一个双沃尔夫问题解决,构造拉格朗日函数:

的公式,是拉格朗日乘子。

根据优化的原则,

这是

沃尔夫的原优化问题的对偶问题是通过操作:

其解决方案是最初的优化问题的最优解。一个优化算法可以用来解决 ;的参数可以根据Kansh-Kuhn-Tucker计算条件:

所以最优超平面

对于线性不可分的分类问题,输入可以分配给一个高维特征空间通过一个非线性函数,线性分类执行在这个空间,也就是说,

4所示。实验和分析基于数据驱动的翻译教学设计学习

4.1。问卷调查结果

本研究284名非英语专业的学生进行了问卷调查,其中包括168名男生和116名女生,来自不同的专业,包括土木工程、电脑、和时装设计。目的是使数据普遍的和真实的。

根据图7(一),这个问题“你擅长英语翻译吗?“提高问卷调查,为了调查学生的英语能力。数据显示,其中28人选择擅长英语翻译,占9.86%,56人选择相对擅长英语翻译,占19.72%。有90人选择平均占31.69%,而110人选择不擅长它,占38.73%。从这一点,可以看出,在非英语专业的学生,减少学生能够顺利翻译英语,学生通常没有兴趣学习英语。

根据图7 (b),可以看出一个问题“你认为什么问题存在在当前大学英语翻译类(多个选择)?”,有84人选择了类无聊,占29.58%。有206人选择不觉得学生是课堂的中心,占72.54%,和42人选择了内容是困难的,占14.79%。有142人选择课程模式,缺乏新颖性,占50.00%,有184人选择缺乏互动,占64.79%,

从图可以看出7 (c),156人选择在英语和汉语基本技能不足,占54.93%的问题“你有哪些方面的英语翻译(多个选择)?”的问卷调查。有192人选择不理解一些典型的英语和汉语之间的差异,占67.61%,178人选择缺乏基本的翻译策略,占62.68%。

可以看出,大学英语翻译课堂需要转换,和基于数据驱动的教室里学习,为翻译教学平行语料库的建设,从而更好地服务学生,更好的促进学生的学习,并为学习者提供真实的英语。

4.2。教学设计

最传统的翻译教学采用以教师为中心的评价方法的翻译技巧。在老师的指导下,学生学习,学生掌握被动翻译知识,但不能积极培养翻译技巧。此外,他们有自己的专业课程,是不可能花大量的时间在语料库筛查像英语专业。据调查,DDL被分为三个步骤:提出问题,解决问题,总结(19,20.]。这些都是老师的领导下进行的,为了更符合现代学习的概念,并为学生真正掌握知识。我们已经取得相对的调整和改变原来的三个步骤的基础上,试图创建一个以学生为中心,自下而上的教学模式的探索和翻译。这个过程概括为(老师)语料库的演讲——(学生)观察和讨论(学生)报告结果-(老师)指导评论——(学生)实践整合——(学生/老师)比较评估。设计过程如图8。

这种教学设计将传统教学转换成进步的教学过程。它使用一个介绍真实的期望和预定义的问题,其次是协作学习、观察、讨论、分析、和学生报告。然后,在老师的指导和深入的解释,学生将翻译理论和翻译实践有效地结合在同一时间。通过分析之间的差距实际翻译文本和核心文本,学生和老师终于明白独立学习翻译知识和学生掌握翻译技巧。在整个生产过程的教学,不仅是必要的,以确保连续输入的语言,也让学生发挥更大的语言能力(21]。

4.3。教学应用

根据课程在大学二年级第一学期的大学英语期末考试,两个班级的学生第二年同样水平的非英语专业在大学被选为这个实验的对象。每个班有50名学生,共有100名学生参加了实验,他们来自不同的非英语专业的学生。50人参加期末测验和实验组参与了问卷调查。这些学生收集的测试和调查问卷,问卷都是有效问卷。首先,从后续测试获得的数据通过SPSS的论述和分析,然后,问卷调查的结果进行了总结和讨论。英国国家语料库(BNC)被选为这个实验。这是一个收集的1亿字的书面和口语样本范围广泛的来源。

全班被视为一组参与者减少群体间的影响。两组参与者接触到两种不同教学方法的实验。作为对照组,类收到传统翻译教学,而B类收到了大学英语翻译教学基于数据驱动学习作为实验组。实验进行了两组相同的老师来减少可能影响实验结果的两组之间的差异。目标的话选择结果的基础上进行预测,和学生120字写下每个单词的定义和词性。根据预备调查结果,30目标的话选择基于标准,没有一个学生回答正确。

基于语料库的材料分布实验,实验类,前三天,他们被允许讨论而不是指书。在实验室里一天,学生将被要求与同学分享他们的发现,和老师根据他们的研究结果将提供建议或意见。在对照组,老师向学生呈现单词,解释他们的含义,词类,协会与其他词语使用传统的方法。随后参与者被要求完成句型构造运动。此外,相关的学习介绍策略来帮助他们学习。两种方法被用来在整个实验中,在同等条件下消除外部推论的可能性。

实验后,进行后续测试来测试不同的效果。此外,实验班里所有的学生被要求完成一份调查问卷。在这个实验中,自变量是不同的词汇教学方法,因变量是部分后续测试。因此,测试的结果是用来表示两种学习方法的区别通过配对样本 - - - - - -测试。准确性和效率,后续测试结果输入计算机,用SPSS分析。数据分析的结果如表所示3。

5。讨论

首先,通过相关知识的研究点的文学作品,最初的主人相关的基本知识和分析如何进行大学英语翻译教学的研究基于数据驱动学习。深度的概念和相关技术,阐述了算法逻辑回归和支持向量机学习方法的探讨,并分析了数据驱动学习翻译教学的适用性通过实验。

数据驱动学习是增加投入,关注学习者的一种方式。它提供了真实的数据,便于有意识的学习和提高自我意识是最好的活动。同时,这种学习方法不仅能激发学生的自主学习,而且促进学生学习能力和提高学习效果22]。

本文通过实验分析,表明该DDL方法比传统的方法( )。配对样本 - - - - - -测试表明参与者之间的显著差异表现和DDL-treated单词和传统治疗词( )。所以,意义的趋势表明,DDL并在词汇学习中发挥作用。因此,DDL总体比传统方法更有效。

6。结论

作为一种新的学习方法,数据驱动学习已广泛应用在大学英语翻译教学。数据驱动学习为翻译教学提供各种学习资源,解决了过时的内容和知识不足的问题在大学英语翻译教学。这种方式的学习不仅可以帮助学生掌握英语翻译的学习技巧,也有助于培养学生的自主学习能力,满足学生的个人学习需求。正确使用学生的外语学习,DDL一定会看到一个广阔前景和对语言习得产生深远的影响。因此,有必要研究与其他因素的相关性,是否可以推广,以及需要进一步探讨的形式。对于今天的社会人才,学生的综合素质也得到了改进在一定程度上,也是现代学生中传播。在这些方面,大力促进基于数据的学习还需要一线教师理解课堂教学的概念,必须与现代信息技术相结合的教学方法来优化英语翻译教学的整体环境。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者没有任何可能的利益冲突。