文摘
体育教育的发展是一个以学校为基础的主题,强调身体健康和能力,享受日常体育活动。孩子也得到他们需要的技能参与各种各样的活动。参与类、熟练的体育教师适当的教学时间,学生评价都应该是一个有效的体育教育计划的一部分。体育教育的基础知识开始练习。一个非凡的改变,可以观察到当个体在他们的体育实践练习。在本研究工作中,锻炼的要求分析了体育教学在学生的某些群体在不同的维度。工作分析是通过实现一个随机森林算法与支持向量机相比,基于犹豫模糊集的算法。基于教学和学习性能评估,评估,和练习所有的设备的支持。在所有这些类别,提出了随机森林算法取得了98%,98%,和43%,分别。
1。介绍
在不断扩大和迷人的领域,教育对每个人的生活有深远的影响。几次,技术和战术建立高质量的教育经历,开始学习,推进电子学习讨论了(1]。在许多情况下,需要额外的手带来新的思想和表视图,可以在公众的帮助下完成。教育是最重要的过程之一,学生的评估/学习者。评估和提高学习的过程,教育评价的策略用于教室。评价的目的是如何有效教学策略、方法和途径。它为教师提供反馈他们的指令与反馈以及学生学习。学生动机和发展影响极大地通过这一过程,称为“塑造教育最强大的力量之一”(2]。评估反馈”有直接影响学生的表现和不懈努力下,后续的项目”,据Harlen和合作者3]。许多世界各地的学校和机构仍然使用这种方法作为主要的学生评价方法。目前专注于让孩子建立自己独特的和多样化的增长,至关重要的是,要正确理解学生的能力和特征以及完整的信号在各领域(4]。高等教育的学生需要一个评估体系,是合理和科学,认为评估过程的各个方面,如概念、评价内容、评价形式,和评价方法。评估应该考虑学生学习数学以及他们如何通过流程进展。学生的情感变化的行动应该考虑在评估他们的学习5]。在中国课程改革的主要目标是开发各种评价方法和目标。提高他们的教学方法,教师可以了解学生的学习过程和结果评估学生的学习(6]。教育的好处,还需要更多的研究研究如何进行有效的教学评估。成绩评价学生成绩历来为老师评价最重要的材料。
许多不同的行业可以受益于机器学习(ML),如医疗、农业、和媒体。机器学习(ML)是人工智能(AI)的一个基本组成部分。农业、解剖学、自适应网站、情感计算、天文学、自动化决策、银行、生物信息学、脑机接口,气候科学和其他工作涉及机器学习可以受益于实时解决方案,有效地节省时间和减少人工干预(7]。几个例子的方法在这个行业工作有监督学习算法和自然语言处理(NLP)算法。自然语言处理(NLP)是模式识别和理解的方法。然后它使决策或使自己的预测,基于数据,有时人工输入。因子分析等传统的多元统计技术集成与智能机器学习随机森林算法(随机森林是一个决策树预测和行为分析工具)。它包含大量的决策树,每一个都代表一个不同的随机森林分类的数据送入。随机森林方法单独考虑每个发生之前选择预测得票最多的缓解过去方法的缺陷(8]。有几种方法可以提高体育课的教学质量,包括采用一个综合评价模型,可用于实时。我们必须使用“学生成绩评价模型”来衡量学生表现准确和全面的体育会议。这个模型可以帮助我们更好的理解有助于他们成功的因素。有效地满足个人需求的每个学生都在教室里,教师必须了解学生发现自己的许多学习设置(9]。在教育方面,例如,使用数据挖掘和机器学习研究学习环境,基于网络的教学系统,和其他教育的挑战。由于信息挖掘的发现,学生的发展不可能以这种方式被评估。数据挖掘和机器学习被用于调查学生的评估他们的教师在课堂上的表现。学生网上评价课程信息建模使用决策树和支持向量机,朴素贝叶斯、和随机森林,分别识别模式(RF) (10]。一个国家的教育系统的质量直接关系到质量人员和其它的方法。专业的研究可以被装配的一组研究人员可以利用他们的资源池和协作的合作项目。创建了各种平台帮助学生交流思想和成为一个大的一部分研究集团(11]。结合大量的信息从几个字段将迎来一个新时代的教学工具。它可以用来确保学生得到最大程度的教育,它可以指出任何缺陷,并给出补救措施。挖掘学生的联系信息是网络教育的主要问题。一个策略是使用一个在线讨论区,学生来自不同地区和国家可能会分享他们的专业知识。众包允许及时反应学生输入。众包是获得工作的方法、信息或观点从大量的人使用互联网,社交媒体,或者智能手机应用程序12]。只有一个方法可以受益的学生完成他们的教育和其他一些选项必须采取在线课程作为他们唯一的选择。充分利用你的学生,你需要关注他们的参与。非专家工作人员必须定期监督,防止错误的信息或不准确的评论。
有必要设定一个目标的个人成长和发展作为教育工作的一部分。使教育电影提供给更广泛的受众,研究人员建立了一个网络学习平台,众包视频(13]。推荐系统可以帮助学生为他们的需要选择最佳的学习计划(14]。这个平台允许输入的使用尽可能多的教师可行的大型专业评估。要求学生提交作业检查和评分由整个类(15]。在一群学生,同学可以肯定他们工作做得很好,他们生产的高标准。学生使用一种算法来开发新的问题,他们用它指导改善他们的表现通过测试他们的知识在另一个系统(16]。学生可以生成作业和同行评议另一个使用嵌入式工具在线课程的工作。当学生创建他们的教学资源来帮助他们的知识,研究人员说,他们可以更好地理解概念使用人群的概念学习(17]。他们为学生提供了一个基于web的平台使用类或在线课程的实践。绩效评估是最复杂和耗时的方法评价学生。观众的意见可能导致成绩不公平的或错误的如果他们作为唯一的评价依据18]。任何企业可以受益于实时反应,节省时间,不需要人工干预。每一个行业可能受益于机器学习。监督学习在教育机构、自然语言处理模型的学习(ML) (NLP)得到了广泛应用。
在许多情况下,监督机器学习模型是利用的许多建议方法的基础。评估的反应时,我们使用了一个算法基于各种因素(每一个分类19]。一个公正的评价社区调查反应由于这个方法是可行的。分类算法学习模式已经积累的数据可用于预测未来的结果(20.]。第一阶段是收集来自社区成员的数据,然后使用它来构建一个初始分类模型。也说了,该做的也做了,毕竟,新反应的质量会比之前的质量训练模型。作者使用的回归算法连续和实际产出变量监督模式21]。对于作者的利益,他或她使用建模,以更好地了解每个学生的成功的根本原因。教师将能够跟踪学生的发展和改变他们的教学方法来匹配他们的个人需要使用此策略22]。所有所需的监督老师在这个范式是在教室里老师的知识和经验。过去收集的信息包括用户的计算机语言的知识。不正确的数据收集可能危及战略计划的实施23]。这就是为什么研究人员必须能够选择相关数据和模型为每个新的教育研究项目成功。创建了几个工具,其中一个使用自然语言处理(NLP)提供训练模型估计的结果选择题(24]。根据他们的肖像,一个理想的答案,学生考试反应得分。NLP技术用于实现这一目标。首选方法计算推荐学生的分数是比较两个值(25]。本文研究了使用机器学习评估学生对教师的表现。
本文的其余部分安排如下:部分2覆盖材料和方法部分3介绍了结果与讨论,并部分4涵盖了结论。
2。材料和方法
几十年来,教学似乎是一个重要的发展领域,因为它是一个重要的角色在人类文明和世界各地的发展,影响个人和组织。一般来说,保持高质量的教育活动有重大影响全球识字率水平。在教育、评估技术是至关重要的,因为它是主要的工具来评估学生的研究。阐明了在现代代的高等教育,总统应当建立一个智能和差异化的教学评估方法。这种评价可以促进学生的功效的体育练习和考试成绩,同时强调教育者的增长的人格类型和能力。保持教师健身的复杂模型的意义,本文利用结构方程模型和一个增强的随机森林算法。这个模型有助于减少学生的测量“多学科”成功体育教育成几个非常标准的因素,帮助学生成绩。该方法允许一个更详细的评估学生的成就基于他们的分数在每个因素水平。第一次公司的升级递归随机森林方法被应用于一个观察教学研究学术等级评估。自动评价学生的考试成绩是利用学生的学术成绩在许多领域以及各种标准,识别它们。 In this section, we will discuss the Architecture of the Proposed System in detail.
2.1。提出了系统的体系结构
图1代表提出的制模运动在体育教学需要。从图中,可以看出体育教学和学习是通过不同的教育模式。体育活动,如健康监测、进行体育锻炼、体育参与练习在地面环境下传统的教学过程。这种实践模式需要一些技术升级的担忧。因此,在第二块,训练是通过随机森林方法。这个训练块包括认知和元认知学习方法。元认知过程是学生更好地理解他们如何学习方法;他们是过程,让学生对自己的“思考“思考”。“学习者更充分消化知识的能力、传输和应用新的情况和保留信息提高使用认知学习方法。与这些功能,每个人都在关注他们的表现和获取相关知识运动和演习在他们训练的必要性。 This training mechanism can be elaborated with the involvement of interactive systems like mobile applications and the Internet. As an extension of the practice, classroom study is also encouraged, and the study is made through books and other activities. All the activities are monitored and updated in the database for analysis and increased performance strategies.
2.2。提出工作
自动提取人类体育行为和态度的信息从大量的视觉数据,以及物理行为观察和评估。尽管科学技术推进速度快,数据传输量飙升,需要从庞大的视频数据集提取行为科学数据已经成为一个重要的问题在各种行业。如果正在使用知识安全摄像头,视频可以瞬间建模和分析。人类行为可以实时识别,确保安全警报的效率和及时性。因此,行为科学识别具有理论和实践意义,已成为一个焦点在各种各样的领域的研究。对象识别成为一个分类任务时,图像可以被称为帧或基于时间的。
multicategory分类的使用,另一方面,更为常见。似乎有多个选择 。不仅是分类模型方法但multiclassifier软max-multiple线性回归分析也被分发到回归分析。目前,multicategory分类是沟通 ,与这样一个n-category总数。对于测试数据 ,(1)演示了softmax相似分类的分类可能认为。 标志着设计师的参数,也支持线框架。如图所示(2),可以认为每个分界线作为一个类别的分类器属性。
概率是归一化的 这样的总概率再次提取方程方案见以下方程:
用这样一个令人回味的函数,它估值规则适用。Softmax连接用于聚合的场景类别。(4)的概率计算是分为类别。
(4)描述线性回归的提取概括。相似的表示目标函数所示以下方程:
同样,这个方程可以最小化的优化技术使用一个迭代的优化技术,包括准确的分析。因此,(6)演示了如何计算修改后的形式的能量的功能。
在(6),确实是一个变量,以及它吗 似乎是第五汇率的分类函数。为了解决优化问题,给出的方程是线性回归,反复调整。因为相同的比例来自每个解析解参数,一个失败的重要性函数保持不变,这意味着参数将不是唯一的答案。方程(7)描述了科学证据的过程。
负载能量损失增加,解决方案是实施增加的一组参数,并确保连续性方程是限制性的一组参数。方程(8)代表的目标函数达到最优结果更好。
最后,可用柔软的最大相似性分类模型可以表示为解决优化问题见以下方程:
最后,通过减少成本函数的方程,一个有用的激活函数相关性分类模型可以代表(11)。一个系统的提取方程是可能的。
相关分类的概率分类。
的概率分类是假定在相似性分类见以下方程:
在(13),利用并发位置信息,进球目标概率模型 所示的场景开发以下方程:
在大多数情况下,最大值概率 池层是用于深层网络,这将是刺激后至少很多相应的访问深度网络被激活。
所示(14)和(15),隐藏节点的概率概率积分所获得的均匀分布在每一层。
结果,该模型建模分别增强更远的距离,使它更独特的空间转换。使用层次结构的方法,与分散的概率模型,学会从视频中提取时空上的功能使用监督学习。特别是随着介绍模块,其插值约束机努力学习最初的数据结构的组织层次结构。框架变得越来越困难,因为它进展从最高到最低。稳定增长的解释后,时空上高冗余网络给出的名字。增强的深度学习(深层信念network-DBN)模型训练使用贪婪的层次结构。此外,每个框架的输入层随机通知,从最低层开始。隐藏节点的概率识别然后重组,另一层是获得知识。这个过程重复无限期被训练在训练,直到所有层。训练后,整个基础设施可能获取隐藏节点的概率表示任何特定的层内的视频。
3所示。结果与讨论
体育教学表现在4 - 8年级学生代表在上面的图如图2。性能分析的有效教学是用随机森林算法、支持向量机和模糊集模型基于犹豫。计算是由合并后的重量4——8年级的学生的表现。随机森林算法该算法表现出较低的百分比在初始阶段的新技术。但在后期阶段,该算法成功地获得相同的结果相比,支持向量机。在机器学习中,支持向量机是一种数据科学算法属于监督学习和分析类的趋势和特征数据集来回答分类和回归问题。
之间的模糊模型显示中性结果随机森林和支持向量机算法。这种比较图显示,重复教学可以使学生和教师提供有关随机森林算法,提高了性能。学习分析的数值表示在表表示1。从表1,可以观察到随机森林算法提供了较少的学习精度比其他算法的平均体重评价38(4相结合th- - - 8th级)。同样,有一个稳定的改善与随机森林算法的准确率比波动与其他两种算法的结果。在后期阶段,该算法取得了98%的准确性,这是一个最小的百分比增加9比支持向量机和17%比模糊集模型。
在教学和学习过程的评估过程是物理教育课程,在图报告和分析3。提出了自动评价通过随机森林算法优于许多评估与鉴定。图的峰值代表了评估值的具体评估学生的成绩。图中给出了表的数值表示2。从这个表,提出了随机森林算法显示波动导致的学习过程;然而,它已经显示出稳定和提高性能在稍后阶段。向最后考虑评估体重范围的实现,该系统已超过6%,5%,和16%的现有支持向量机,基于犹豫模糊集,分别和专家评分。
图4描述了体育教学和学习过程的结果进行不同成绩的学生。鼓励学生经常练习才有资格在任何体育比赛。的分析是进行人四类:正常的人,专业,大三,和高级范围,使用运动项目,竞争和实践标准(见上图)。所有必要的设备练习和参与任何特定的活动包括在体育项目。在这项研究中,认为球员配备所需的所有资源。在四个类别的人,正常的人未经实践得以实现的竞争除了可用性只有15%所需的所有资源。然而,人在重大、初级和高级类别给出的性能增加23%,35%,和43%,分别。
上面的图在图5表明锻炼是强制执行任何运动,和学习通过教练也起着非常重要的作用。在这个图表,指标或练习数量的增加和改变,和计算时间或成就的玩家的时间各不相同。最初,每个个体都将简单的最大持续时间和更少的练习。随着玩家执行定期练习和实践,计算的时间会减少。
4所示。结论和未来的工作
教育领域是重要的,有很大的影响在很多文明。确定体育教学的质量是一个关键战略提高体育教育教学体系。随机森林模型是用来评估影响身体活动的研究。本研究有助于提高智能系统将使整个物理教育部门。增强的随机森林算法是决定系统的效率来实现的。研究结果证明了随机森林算法比现有算法。在未来的工作中,强烈建议实现优化机器学习方法来提高体育教育体系。
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。