文摘

大学英语是最重要的一个基本的课程在大学教育和课堂评价是提高教学效率的有效手段之一。多维课堂评价体系,它反映了大学英语课程的特点,标准化的前提是评估过程并确保公平合理的评价结果。基于NLP(自然语言处理)技术和神经网络,我们使用NLP优化摘要(BP神经网络)方法构造一群獾(大学英语教学评价)系统模型,量化的概念,教师评价指标作为输入,使得数据清晰,教学效果作为输出。训练结果表明,网络能很好地适应训练数据,预测效果显著,这表明一群獾模型基于NLP的摘要方法优化是合理的、可行的。

1。介绍

一群獾(大学英语教学评价)是基于大学英语教学规则、原则和目标,采用科学的评价方法,手段和方法进行价值判断的有效性和实现大学英语教学的教学目标。课堂教学对于提高课程的整体质量是至关重要的,因为它是中央大学英语教育的联系。有必要建立一个目标评价指标体系(1)为了现实,全面评估复杂多变的大学英语课堂教学体系。同时,大学英语正在开发一种全新的课堂教学评价体系,大学生可以明确自己的学习目标,认识到自己的长处和弱点在英语学习过程中,和显著提高他们的英语语言技能和水平2]。大学英语教学方法包括评估教师的一个系统。建立一个综合评价系统可以帮助教师反思自己的教学情况显示教学效果客观和全面。

许多大学正在实施一个老师学生年级教师的评价体系。所有学习科目分为理论、实践、实验、和其他类别,评价指标为每个主题,建立与学生匿名评分的班主任。然而,由于评价者包括同事、专家、领导,学生,老师的课的评价信息质量受到多种因素的影响,包括评估者的个人喜好和知识结构,导致一个复杂的非线性输入之间的关系。系统的输出很难创建一个既合理又科学的数学模型。模糊综合评价法(3),灰色系统理论(4,马尔可夫链5)、支持向量机和其他综合评价方法(6)是目前最常见的传统的一群獾模型方法。尽管相应的教学质量和每个评价指标之间的关系考虑,评估过程可能包括任意因素或主体性,忽视教学质量之间的复杂非线性关系和每个索引影响教学质量。一些指标的结果很难用传统的评估方法,计算和解决方案耗时。这些算法也无法自主学习(7]。NLP(自然语言处理)是广泛应用于今天的开发环境。随着互联网的发展在过去的20年里,对该技术的需求正在增长,使文本处理和分析在各种各样的领域非常实用。摘要作为一个复杂的非线性相关性的应用意义近似使上述问题得到解决。

大学英语教学是一个多维的评价,模糊和复杂的非线性问题。影响教学质量的指标有很多,不同指标之间存在复杂的非线性关系,影响教学质量和教学质量8]。摘要当前使用的各种教学质量评价方法的比较和分析,为建立一个更提供一些参考目标,公平,和科学一群獾系统。

本文的主要创新如下:(1)本文以大学英语课堂评价作为切入点,分析它的原则和内容,然后提出了具体的评价体系建设,全面提高大学英语课堂教学的效率和质量评估(2)一群獾的关键是建立一个复杂的非线性关系教学质量评价结果和影响教学质量的指标。因此,本文系统地模拟大学教师的教学质量(输出)及其影响因素(即教学质量评价指标作为输入)通过使用摘要的非线性逼近能力的特点,并建立了相对误差在迭代过程中,逐步优化回溯算法的参数,建立了相应的评价模型(3)论文的组织结构:

第一章介绍了研究背景和意义,然后介绍了本文的主要工作。第二章主要介绍了相关技术的一群獾。第三章提出了本研究的具体方法和实现。第四章验证本研究模型的优越性和可行性。第五章是全文的总结与展望。

2。相关工作

2.1。NLP技术研究

NLP的目标是利用电脑技术进行的研究过程的语言。即使用电脑作为语言学习的一个强大的工具,它是用来定量研究和语言信息联系起来。NLP是一个独特的人类和计算机使用的语言描述,它与跨学科交叉学科如计算机科学、人工智能、语言学。

在自然语言处理领域,语法是一个历史特性处理模型。语法模型可以被训练数以万亿计的话说,据李et al .,和模型的性能大大提高9]。最近的方法在这一领域,据温家宝et al .,是基于机器学习方法和基于深度学习的方法(10]。金等人提出了一个基于机器学习算法的总结方法,可以习得的。实验表明,朴素贝叶斯可学的方法分类器优于所有其他基本方法(11]。穆斯塔法等人提出了一种基于模型的方法,该方法生成的摘要的长度呈正相关手动编译黄金标准的长度,这意味着源文章的摘要可以隐式地捕获12]。Jararweh等人几开放即解决方案分为三类:基于规则的,上优于和clause-based方法(13]。Mohanan等人使用一个encoder-decoder框架的解码器预测面具与面具当编码器输入句子的一部分,和他们共同训练的编码器和译码器提高造型提取和语言表达能力(14]。Perboli等人提出的每个单词学习的分布式表示,建立一个语言模型来模拟这个词序列使用RNN(递归神经网络)15]。在NLP的句子分类任务,琴等人介绍了CNN(卷积神经网络)。这个任务提取句子功能使用CNN和两个渠道,然后将提取的特征(16]。实验结果表明,CNN在自然语言特征提取产生重大影响。

2.2。教学研究现状评估

教育质量是指在多大程度上符合学生发展的教育成就质量根据课程,专业,教育目标和规范。教育质量评估是使用教育评价的理论和技术来判断教育过程和结果是否符合特定的质量要求。教学质量评价是教学的主体过程及其结果,也就是说,整个活动的过程和结果相结合的教学与学习。

通过计算精炼等级评价矩阵,侯等人获得更多的科学教育和教育质量评估结果使用模糊综合评价方法(17]。根据老师的教学质量评价指标体系和信任标准,刘等人建立了一群獾属性综合评价模型,确定每个指标的权重,并应用该模型成对比较矩阵的真正根源(18]。事实上,学校教师的教学能力是评估。根据江et al ., (19]学生评估的可靠性可能会比最好的客观测试当学生评价的数量是足够的(20或更多)。唐的教师评价指标体系分为四个部分:首先,建立标准基于相关老师评价原则;第二,确定评价目标;第三,确定各种指标体系标准;最后,将值分配给每个索引使用适当的评价方法和定量统计数据(20.]。唐等人提出的强调教师发展评价过程的重要性,以及确保科学评估过程,确保教育质量,建立沟通和反馈的链接(21]。施等人认为,通过向教师提供教师评价结果及时、准确的方式,教师能够更好地理解他们的工作的优缺点,以及学生的需求和未来发展的方向22]。老师评价,根据新,是一种基础评估教师的教学质量和教师专业的评估,以及教师的机会分享他们的教学经验,头脑风暴法,和互相学习的优势23]。

在评价的过程中,我们应该发挥反馈的功能,强调评价的形成功能,加强激励函数的实现评价结果。然而,这些概念如何体现在老师的具体实现过程和方法定性评估,如何体现评价的多样性主题和目标的评估过程,以及如何制定更详细的评价标准尚未进一步研究。因此,有必要进一步研究如何加强教师的适当性定性评价在不同的学科,学科的恰当性和评价内容和评价方法来评价教师的感应。

3所示。方法

3.1。一群獾体系建设

信息技术快速发展的新形势下,教育领域是一个重要的通道和先驱交付高质量人才对社会和企业。有必要引入更先进的教育理念,建立一群獾系统。基于真正的先进技术,更多元化,全面、有针对性和现代类评价体系可以满足不断提高的要求建设意识提高到一个新的水平。指标体系的设计原则是指遵循标准在设计评价指标体系时,通常由从业人员安排。因此,当设计一群獾系统,下面的结构原则应为:

3.2。科学的原则

最重要的一个原则建立一所大学课堂质量评价指标体系是科学。他们不重叠或相互矛盾,现实的评估标准,客观、全面,所有这些可以会见了教师的帮助。从本质上讲,课堂教学是一个双方之间的相互影响和相互作用过程的教育。学习活动的主体始终是学生,他们往往被视为课堂教学的最终实现的效果。教师是课堂教学的规划者和执行者,和理解的教学目标是主要的标准评估课堂教学的有效性,也不应该被忽视。同时,结合自我评价与他人可以大大提高一群獾的客观性和全面性,以及帮助改进教学过程。同时,利用定量和定性评价方法。定量评价使用数学方法来客观地、准确地记录教师和学生的行为和教学效果的大学英语课堂,以及揭示潜在的不同的行为之间的关系和法律。

3.3。分层原则

大学课堂教学质量的评价指标体系由几种索引,必须有一定的结构。层次结构的原则是,当设计的指标体系和选择评价指标评价的目的,我们应该考虑每个索引的功能层次结构的指标体系,然后再考虑索引。因此,在设计指标体系时,应明确结构。作者收集了大量的相关文献的研究,全面分析了现有的研究成果通过指各种评价尺度来评价大学英语教学(参见图的质量1一群獾的指标体系)。

在这种评价指标,根据影响程度的大学英语教师preclass准备、基本素质、教学内容、教学方法、教学效果对整个教室,重量差异反映在五个维度上。为了使评价内容客观、合理,不同评价主体评价教师时,相同尺寸的重量应该相应地调整。探索之间的关系教师自我评价等评价,促进教师专业发展和提高大学英语课堂教学的质量。评价维度之间的相关性使英语教师能够迅速成为学生喜爱的教学人员。

后建立的指标体系和方法的课堂老师评价,具体管理机制需要促进评价函数的实现。第一,除了特别观察类和示范类、课堂评价应结合普通学生的课堂生活,与评估机制,促进教师的教学和学生的学习进步。第二,评价不应局限于正式的专业讲座和同行讲座,但应结合外部评价和自我评价的教师和学生。真正的评价是教师的发展。最后,为了保持大学英语的学科特点的教育,大学英语教育的评价体系不能移植或取代了其他部门的评估。

3.4。一群獾模型建立

摘要(BP神经网络)是一种广泛使用的神经网络,但是它有一些缺点,包括收敛速度慢,容易局部最小值的输入,难以确定适当数量的隐藏层和隐藏节点,和糟糕的预测数据与影响在数量上的巨大差异和数量(6,7]。提高摘要计算的准确性,标准BP算法(绝对误差反向传播)是改进本文数据的相对误差作为误差信号。我们也使用自我评估给学生自学的机会,反射,和改进,以及帮助他们了解自己的英语学习环境和充分理解词的动态调整或改变基于自己的学习需要创造性的学习策略。此外,整体的学习成果将得到改善。同行评估可以帮助学生在接受公平和客观的外部评价,在一定程度上提高他们的人际交往能力。

根据三个二级评价指标包括在一群獾指标体系,这些评价指标作为输入的辅助系统,辅助系统的输出作为神经网络输入的教育质量评价体系,综合评价系统和神经网络输出的教育质量作为最终结果的评价大学英语教学(9]。整个系统的结构如图2。

一般来说,隐层神经元的数量取决于网络的收敛性能。如果隐层神经元的数量太小,网络可能不是训练,或网络可能不够“强大”和容错识别样本它从未见过的。如果隐层的值太大,学习时间会太长,和错误并不一定是最好的,所以有一个问题,如何确定合适的隐层神经元的数量。本文最初隐层神经元的数目设置为12根据相关经验。

在神经网络中,每个神经元的输入值的累积重量乘以所有神经元的输出值在上层和激活函数过程生成的输出神经元的输入值。摘要利用神经元变换函数通常使用s形的函数。

标准摘要算法的数值计算过程中,绝对误差通常是用作误差传播信号,因此往往太大的错误。这是因为绝对误差往往无形扩大系统的总体误差值不考虑绝对误差和实际值之间的关系,从而减少最终预测结果的准确性,降低计算速度。摘要使用相对误差作为传输信号的误差,可以避免这些缺陷的影响(14]。

使用公式(2)和(3)来计算泛化误差 每个单元的输出层和中间层。

输入层神经元的个数是7,因为有7辅助指标作为输入神经元网络。同时,评价目标是作为网络的输出,所以输出层的数量是1。隐层神经元的数目设置为1时,数量设置为12。我们使用随机数作为神经网络的连接权值和初始阈值和训练摘要根据上述步骤。

为了训练神经网络,作者采用了一种改进的权重调整算法: 在哪里是平滑因子; ;和是学习的因素。其网络的总目标函数 在哪里是小正实数和吗是预期的价值。

NLP域的规则系统广泛应用于文本分类、数据清理、垃圾邮件和其他任务。然而,写作高覆盖率的规则是一个挑战。BP_NRE (BP_Neural规则引擎)模型在本文中展示了如何增加规则的适用范围在现有的规则系统。构建BP_NRE模型,首先,我们需要抽象的主要集成功能模块的规则,然后生成输出命令的执行顺序和参数模块生成的解析器,最后依次执行功能模块。BP_NRE模型由两个主要组件:功能模块和规则解析器。功能模块用于实现预定义的基本逻辑功能。规则解析器是用来分解规则和功能模块的布局。序列标签是能够定位和标记特定的关键词的位置通过神经网络,在句子中“Find_Positive”是指发现一个字在常规规则,如图3。

是的背景下th的词语,表示上下文 。然后,编码成固定长度的向量同样的神经网络。

最后,使用公式(6)来计算每个上下文之间的分数和固定长度的向量 ,然后使用序列的分数标记模型确定马克·0或1的分数映射到马克吗每个位置。 在哪里是一种可训练的矩阵。例如,给定一个句子包含这个词鉴于关键字 ,然后解释如何标记这个词的 ,当然,每一个字的句子也会相应的标签以同样的方式。

具体来说,编码器负责阅读输入从源语言和编码向量 。这里的输入格式字嵌入从源语言,和编码过程是一个递归的过程。

在解码器端,目标语言词典的概率分布通常是计算给定上下文向量 ,然后,词汇是预测的输出。 在哪里是解码的输出序列。

当使用注意力机制来编码输入单词,上下文向量的重量是

具体地说,在这个模型中使用的封闭RNN计算 在哪里 注意机制的参数。

因为模型包含两个注意力机制,模型的复杂性非常高。为了减少模型参数和内存使用量,而不是使用LSTM(长短期记忆)RNN的模型中,我们选择RNN细胞与盖茨[19]。这个sequence-to-sequence模型有两个注意机制叫做大坝(双注意力机制)模型(图4)。

作为基本方法,我们训练sequence-to-sequence模型与一个单一的注意机制和测试在测试集。为了更有效地优化网络和自动AdaDelta算法,二次优化算法,用于优化目标函数在两个模型的训练过程(21]。

4所示。实验和结果

评价方法基于摘要的特点是强大的并行计算能力和分离摘要的能力,和良好的非线性映射能力的网络可以使输入和输出匹配。和适应性和具体的情报,因为它有效地克服和避免主观性和不确定性,确保客观、公平、科学、灵活性、适应性,和可用性的评估结果。

摘要利用输出层神经元的数目是由第七阶系统,和在选择输出层神经元的数量是1。隐藏层的数量是7,每个辅助系统的隐藏层数是3,和学习速率是0。2。动量系数为0。8。0.000 - 1收敛误差阈值设置为零。培训过程如图5和6。

网络训练后,我们使用不同的数据集来测试(随机选择一个不同的组的10个样本问卷),然后检查评价目标价值输出之间的误差的神经网络和实际评价目标值。结果如图所示7。

如图7,一群獾模型的输出值由摘要非常接近实际值。也就是说,模型可以更准确地评价教学效果根据每个评价指标。

表1显示了预测结果与专家评价结果之间的比较。

根据分析表1,预测精度在可接受的范围之内,这表明基于摘要的一群獾模型是有效和合理的。

在本文中,我们选择两个数据集评估BP_NRE的性能。一个是中国刑事案件分类数据集,另一个是英语关系分类数据集。各种模型实验的中国刑事案件分类数据集在图所示8。

如图8,在中国刑事案件分类的数据集,该规则模型的准确率是100%,规则是准确和可靠,回收率很低,导致非常低的比例规则。的部分原因是,一个类别可能有多个规则,但当数据随机分为测试集,只有一些规则在一个类别包含在测试集。可以看出BP_NRE模型显著提高召回率最高的F1值,同时保持高精度。

在英国关系分类的数据集,进行了比较实验与规则模型和BP_NRE,最好的模型在前面的数据集,如表所示2:

英语关系分类的结果数据集胚根端胚乳模型表明,BP已经召回率远高于普通模式,同时保持高水平的准确性。介绍了神经网络时,胚根端胚乳可以处理实验结果表明,BP再保险和有效分析再保险的层次结构,同时保持高准确度和可解释性。规则系统再保险和胚根端胚乳是速度比BP神经网络集成模型的模型执行速度。其余的模型必须用向量表示,这些词向量必须阅读模式运行时,因此,规则系统的速度比其他模型。词比词向量向量有较小的词汇,因为他们不需要分词。BP负阻元件的运行速度模型在测试集可以扮演一个角色在这个词向量表示presegmented和建造所需的模型。作为数据表3显示,大坝可以有效地减少输出结果中的错误。有效的输出,达到0.819的F1值模型,依赖于培训过程和各种错误,如图9。

实验表明,大坝的性能模型在测试集上介绍了大坝模型后显著提高。然而,该模型仍有很多需要改进的地方,如加快培训和调整模型参数。一群獾的目的不是为了奖励或惩罚的学术成就,但通过评价形成一个科学合理的激励机制,创造一个竞争环境可持续发展。因此,需要调动教师的积极性和主动性参与教学质量评估,确保学生的公平参与教学质量评价、监督专家参与教学评价很长一段时间,并深入理解教育评价的重要性。

定量评价是简单和容易的,更准确和细致的科学分析教学质量的定量统计分析。因此,灵活的使用各种教学质量评价方法和定量评价的结合教学的静态因素和定性评价的教学动态因素可以使一群獾体系更加科学、合理。当评估的多样性大学英语教师、学生的特点、课程、教师的特点,和其他因素应该考虑,应该采用不同的评价指标根据背景特征。

5。结论

一群獾研究强调概念的指导下,英语教学评估、专家、教师、和学生应该共同参与评估项目,从而实现多维评价的教学和学习。一群獾系统是一个复杂的非线性系统,输入和输出之间存在着许多不确定因素。摘要利用模型具有较高的非线性函数映射能力,适应能力和自学能力,可以有效地克服现有评估方法的缺陷。摘要利用优化模型建立基于NLP,和大学的原理和方法进行了阐述。通过软件导入调查数据,计算培训质量分数,并比较和分析测试的计算值与调查样本数据值。结果表明,它是可行的分析和计算一群獾使用摘要NLP理论方法优化。

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。

确认

这项研究是由(1)四川外国语言文学研究中心项目”实证研究在大学英语听力教学课堂干预在积极心理学的移情作用的模型”(SCWYH19-12);(2)四川省社会科学研究计划项目“研究提高第二语言学习者的自我效能感通过移情作用的模型从积极的角度来看Psychology-Taking大学英语听力教学为例”;和(3)教育改革项目成都中医药大学“学术研究情感控件值理论下的英语专业从积极的角度来看Psychology-Taking目的下的高级英语课程教学模式作为一个例子。”