文摘
思维导图是表达发散性思维的有效的图形思维工具。这是一个简单,有效和高效,实用的思维工具。本文旨在使用机器学习算法来构建一个思维导图系统和应用于英语词汇教学。本文首先介绍了机器学习算法的分类,然后简要阐述了思维导图建设系统的概述。最后,本文结合思维导图由机器学习算法为英语词汇教学实践,比较它与传统的教学模式。准确率的实验结果表明,学生的词汇复习和测试视野下的英语词汇教学模式构建思维导图的机器学习算法已达到85%,验证了该方法的有效性。推广它在当前英语词汇教学可以提高学生学习词汇的兴趣和效果,具有一定的可操作性。
1。介绍
更新的科技和时代的进步,社会具有较高要求的提高教育教学水平的发展。教育教学需要改变传统的单一的教学策略和教学模式,不断改革和创新,迎合时代发展的特点,和多样化的方向发展。作为英语教学的重要组成部分之一的需求、学生的掌握英语词汇的主要焦点一直是培养学生实际的学习精神和理解能力。然而,在当前英语词汇教学相比,大多数学校采用传统教学模式和缺乏建立科学系统的词汇知识和学生的学习兴趣较低。思维导图是一个学习的思维方式,提出了下半年的20世纪。因为它的许多优点,广泛应用于许多领域,如业务合作、企业营销、科学研究等领域。它甚至可以看到不时在日常学习和工作生活。使用它在英语词汇教学实践和知识复习不仅能提高学生对学习英语的热情也提高他们掌握更多的英语词汇的能力。然而,很难从如此庞大的词汇系统中提取关键点和有效分析、简化,并总结词汇知识点形成一个全面、有效的思维体系,只有依靠体力劳动。需要很长时间,无形增加了压力和负担的老师。 Therefore, the algorithm technology that can automatically construct the mind map system is very important for English vocabulary teaching.
同时,机器学习算法被开发出来,在各个重要领域的突破。机器学习算法的集成、教育和教学已逐渐开始尝试。基于机器学习算法的教学实践已成为改革的切入点和创新领域的教育。机器学习算法应用到制度建设的思维导图在英语词汇教学可以解放教师的双手在很大程度上,减少时间成本由于巨大的工作量。它使英语教师把注意力教学实践,提高教学质量和效率。思维导图由机器学习算法并不次于手工工作,甚至可以集成知识更全面,这也是很大的帮助和指导学生的词汇学习。目前,很少有研究思维导图系统的建设。本文提出了一种新颖的英语词汇教学的研究方向,基于机器学习的算法。这种技术可以有效地作出准确的概括英语词汇系统,它提供了一个完美的和改进教育教学行业发展的建议,也可以提供新思想在英语教学领域的研究。本文的研究框架如图1。
2。相关工作
近年来,许多学者对机器学习算法进行了研究。在他的文章中,介绍了机器学习算法在工业领域的应用,讨论了深度学习的发展和挑战未来的工业应用。他认为,机器学习算法的本质是建立一个多层次机器学习架构,可以训练在大规模数据1]。为了提高软件的质量和效率,张和江分析和总结了机器学习模型,模型中所涉及的修改,程序的自动生成的应用效果。他的研究从两个方面探讨了程序员的行为和机器学习程序自动生成(2]。张等人提出了基于机器学习的肺结节识别算法,最后进行了算法结构实验合作医院的数据集,并比较其与公共数据集LUNA16 8先进算法。最后的实验结果表明,该算法可以提高肺结节识别的准确性和减少漏检的结节(3]。Sarkar等人使用一个优化的机器学习算法来预测事故等伤害的结果,近距离脱靶,财产损失使用职业灾害数据,最后验证了该方法的有效性通过实验(4]。Kavakiotis等人进行了一项系统回顾的机器学习和数据挖掘技术在糖尿病中的应用研究。他们认为机器学习算法在生物科学中的应用是非常重要的,因为它可以智能地将所有可用的信息转化为有价值的知识(5]。汗等人提供了一个全面审查领域作出的贡献的前馈神经网络(fnn)的机器学习算法来提高泛化性能和收敛速度(速度)学习。他们探索和检查的广泛应用模糊神经网络算法来解决实际管理、工程、和健康科学问题,证明这些算法的优势提高实际操作决策(6]。总之,经过几年的探索,机器学习算法的应用已经被许多学者深入研究,但很多研究英语词汇教学中思维导图系统的建设。本文的研究可以为英语研究提供一个新的方向的机器学习算法,也可以为英语词汇教学提供某些观点,促进教学的发展智力。因此,为了进一步促进英语教学的发展,英语词汇的实际建设研究思维导图系统从机器学习的角度算法迫在眉睫。
3所示。机器学习算法和系统思维导图
3.1。机器学习的分类算法
机器学习在理论上是一个方法让机器学习,机器可以用经验来改善他们的表现。在实际意义上,这是一个从一个数据集训练模型的方法,然后利用模型来预测结果。有四种常见的机器学习算法,如表所示1:再算法、BP神经网络、极端的学习机器,和支持向量机。
3.1.1。再算法
再法学者提出了下半年的1960年代寻找样本数据的相关性和相似程度最高的一个广泛的特征空间,集成和这些类似的样本数据进行分类。其模型如图2。在目前的研究领域,它是一般用作样本分类问题的情况下,但事实上,它还可以用于过程和分析回归问题。再算法旨在寻找样本相关性和相似度最高的检测样本中包含的数据的特性和使用这个作为结果输出训练数据(7]。
确定训练样本与测试样本相似度最高的,需要测量的距离,即训练样本之间的距离计算,这里的距离可以以各种形式来表示。假设样本n特性的特征向量我th样品 ;然后,特征空间是n维的向量空间 。为 , , ,和 ,的距离的定义是
其中, ,当 是欧氏距离(8]:
在解决分类问题的场景,我们可以设置的类型样本米类。然后,第一个示例的样本米类是表示 ,和k训练样本领域最高的相似与测试样本集 。然后,其中,k训练样本类别占绝大多数的最终输出类别测试样品,可表示为(9在公式如下:
回归的问题,我们的标签我样品是一个连续的价值 ,和小区覆盖k最近的样本来标示 。然后,测试的最终输出样本的平均值是由k训练样本搜索领域,可以表示为(10):
再算法最重要的一步是确定的值。如果该值要小,近似误差也会更小,但估计误差是不同的近似误差和估计误差会更大。如果估计误差过大,容易导致过度拟合的样本。相反,如果的价值k决心是一个较大的值,近似误差也将增加,这也将导致错误(11]。K -k最近邻算法也是最简单的机器学习算法。
3.1.2。BP神经网络
人工神经网络是一种算法模型的基础上模仿人类大脑的神经网络组织。在人类大脑神经组织与100个神经元系统,如果一个神经元是感动,与之相关的其他数以百万计的神经元会沟通和分享的大脑信息通过它发送的化学物质。之后,一些学者普遍和抽象原则的神经元,形成了mp神经元网络模型,如图3:
让输入收到的神经元是向量 在n维空间。起初,权重向量 由神经元接收需要加权;然后,神经元的总输入表示为(12]
每个神经元都有一个阈值 ,总输入与激活阈值和加工功能,神经元的输出是13]
有许多方式激活函数,我们选择最方便的模式;时,神经元的输入符合某些条件的培训现场,输出是1。如果训练场景的条件不满足,输出是0,这个模式也可以称为阶跃函数,表示为(14]
虽然阶跃函数最简单模式激活功能,它还具有一定的局限性。在实际应用中,我们通常不使用阶跃函数作为激活函数,我们通常使用函数作为激活函数。其功能图像是没多大区别的正切函数,由以下公式表达(15]:
虽然人工神经网络结构极其复杂的像人类的大脑,它们基本上是类似的神经元模型。在神经网络中,通常只有一个输入层和一个输出层,但隐藏层无限,每一层包含一个无限数量的神经元。每个神经元分布在这里也被称为分布式神经网络中,每个节点如图4。单隐层神经网络,顾名思义,是一种神经网络只有一个隐藏层。神经网络的目的,不断调整权重和阈值与神经网络互联,根据输入训练样本,直到满足精度要求的测试样品。这个连续调整的过程就是不断学习的过程的算法模型16]。
误差反向传播算法使误差减少沿梯度方向通过调整权重和阈值的输入节点和隐藏层节点,和隐藏层节点和节点的输出。重复学习和训练后,网络参数对应的最小错误决定。
让训练集样本n属性和米标签。也就是说,一个样本的属性向量 和标签向量 。相应的神经网络输入层n节点,输出层有m节点。至于隐层,为方便解释这个问题,这里假设是,有一个隐藏层和隐层节点的数量。
注意,体重之间的连接我输入层节点和hth隐层的节点 ,和的门槛hth隐层的节点 。然后,总输入收到的hth隐层的节点(17]
然后,
训练集的样本1,如果神经网络的输出是2, 在哪里激活函数和吗的门槛j输出层的节点。均方误差是(18]
现在,我们根据梯度下降法调整的参数。一个更新一个任意参数表示为(19]
如果所选择的学习速率η,然后(20.),
而且很容易知道
从公式(10),很明显,
当激活函数是一个函数,根据的属性功能,有21]
让 ;然后,公式(17)可以写成
3.1.3。极端的学习机器
极端学习机是一种算法的单隐层神经网络的机器学习算法。该算法模型的隐层只有一层,如图5。算法将随机生成与神经元相互连接的权值和阈值的训练场景,也没有需要调整权重和阈值在这个过程本身。极限学习机算法旨在确定中包含一个隐层神经元的数量(24,25]。
3.1.4。支持向量机
支持向量机算法模型经常被用来处理分类问题。它旨在画两条直线之间的数据节点节点之间的距离最大化。算法模型描述数据项在n维空间点。在这个空间里,n输入数据的数量特征,发现最优边界算法模型,如图6。支持向量机算法的优点是,它可以捕获关键样品,消除大量的冗余样本,和具有更好的鲁棒性;缺点是很难实现大规模训练样本。
3.2。思维导图建设系统的概述
3.2.1之上。思维导图的定义
思维导图是在1960年代后期创建的。思维导图是一种思维工具存储、组织、和优化信息,提出了图的形式或在一个网络结构,使用元素,如关键词、图片、或分支。思维导图是一个革命性的方法利用大脑的无限潜力,学习和记忆的方法。不仅仅是一个可视化工具来帮助记忆也是一个动态的和有机审查工具,时间管理,内存刺激器。
作为一个发散思维的工具,思维导图绘制时应该遵循一定的步骤。第一步是把重点放在核心问题或论文。第二步是把图像画在白纸的中心代表核心关键词。第三步是根据中央画表面上不同的线图像或核心关键词,也就是说,思维导图的主要分支,确保连接这些主要分支与中央的形象。第四步是编写一个主题相关的关键词在每个分支澄清的主要思想的思维导图和要探索的问题的本质。第五步,在主干的基础上,它吸引了二、三级分支相关二级的想法。二级分支与主干连接,和第三部门与二级分支,等等,如图7。在这个过程中,联想就是一切。绘制思维导图的过程中,您可以使用图片、图形、色彩、等,修改它的乐趣和watchability增强思维导图。
思维导图使用左脑和右脑的协同作用反映了“全脑”思维。左脑和右脑的协同作用将促进大脑的逻辑归纳的思维,这有利于发散思维和创新思维的培养。同时,思维导图结合了传统纸笔形式和计算机软件绘图方法,和生动的图片和文本。在此基础上,思维导图在日常学习活动中可广泛应用。
3.2.2。理论依据的思维导图在英语词汇教学中的应用
(1)大脑科学理论。现代脑科学研究表明,人类的大脑是由约140亿个神经元。记忆、理解和想象是由神经元之间传递信息的能力(26,27]。大脑的神经连接的速度越快,思维越快,越容易大脑的神经连接,和更多的创新思考。大脑的思考提出了通过不同的网络图片,它提供人类差异的生理基础,协会,和想象力。人类活动,如思维、记忆和协会是由协调该系统的网络结构。近年来,随着研究的不断深化biophysiology和人类大脑的神经生理学,研究人员发现,人类大脑的潜在能力是无限巨大的和当前的发展人类大脑的潜力远远不够。与大脑科学理论的深入,大脑研究表明,人类的大脑分为两个半球,左脑和右脑。左脑主要擅长逻辑思维,推理和分析,语言,数字,和词汇。在日常生活中,我们可以发现,大多数人都习惯使用右手,那么左脑比右脑得到更多的刺激,导致更多的突触连接,使人类的左脑比较发达,而右脑比较空闲。的不协调、不平衡使用左脑和右脑减少人类的思维能力。思维导图是基于脑科学理论。 It uses images, colors, lines, and keywords to play the characteristics of left-brain logical thinking and right-brain image thinking to promote “whole brain” coordinated thinking.
(2)建构主义理论。建构主义认为,学生的“接受”的知识只能通过自己的建设。因此,寻找新的增长点知识的学生的经验,学生应积极构建知识(28,29日]。时代在发展,社会在进步,知识是不断更新的。个人建构主义认为,知识不是静态的,和个人拥有的知识应该与时代的发展不断更新。思维导图在辅助教学的过程中也体现了建构主义的理论。首先,建构主义强调学生的主体地位,以学生为中心。学生用思维导图做笔记,复习作业,和计划时间,所有这些都反映了学生的主体性。这使学生有更大的主权来管理他们的学习时间和学习和复习知识的方式适用于个别学生。使用思维导图,学生可以独立地表达自己的观点,更清楚地展示他们的思维过程,在这个过程中,他们可以继续发散他们的思维,提高他们的想象力。其次,建构主义强调知识的积极建设的学生。在某种程度上,传统的纸笔学习方法让学生成为知识的被动接受者,降低他们的学习积极性。 Mind map emphasizes students’ understanding of knowledge and the initiative of students to draw mind maps. Students draw mind maps according to their own understanding of knowledge. In this process, students complete active construction based on their own understanding of knowledge. Thirdly, constructivism does not ignore the guiding role of teachers in the teaching process, while emphasizing that students actively construct knowledge and maintain their dominant position. Before students have understood and mastered the basic knowledge and production methods of mind maps, teachers should guide them for a period of time and make some mind maps to share with students, so as to strengthen students’ mastery of mind map drawing skills during the drawing process. Of course, when students draw mind maps, it is inevitable that they are not thoughtful. Teachers should check, modify, and improve the mind maps drawn by students in time and encourage students to optimize the mind maps they draw. In English vocabulary teaching, we can combine constructivism theory with mind map. Mind maps can be used under the guidance of constructivist theory, and how to effectively use mind maps can be analyzed and excavated from various aspects of constructivism, so as to promote students’ understanding and mastery of how to use existing experience and knowledge for efficient review.
4所示。英语词汇教学实践
本文结合思维导图构建基于机器学习算法的实践英语词汇教学和测试学生检查学生的学习效果30.,31日]。教学内容和要求数据所示8和9。然后,它与传统教学方法相比来验证该方法的有效性。
在这个实验中,一所小学的六年级学生作为实验对象,样本容量为50岁,他们分为两类。在进行实验之前,综合能力测试的学生进行两类。统计结果如表所示3和4:
从表3和4,可以看出,从智力水平的角度来看,记忆水平和思维创新的男孩和女孩类A和BT价值观−0.141,0.621,和0.216−−0.157,0.411,和−0.276显著水平值都大于0.05。结果表明,两类学生的综合能力是不重要的,很小的差异。
摘要教学实验的时间是一个学期,和6知识的教学内容包括单位。在教学过程中,学生的词汇学习在每个单元跟踪和学习测试是在每个单元完成后进行调查。统计结果如图10- - - - - -13。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
从图可以看出10词汇复习的平均准确率的A类学生在6个研究单位是91.33%;词汇的平均准确率评估B类学生在6个研究单位是84.73%;学生在课堂上的平均准确率在学习词汇识别6单位是83.46%;的平均准确率和B类的学生在学习词汇识别6单位是78.31%。
从图可以看出11,学生在课堂上掌握了共计172字6 B类单位的研究和学生掌握共计157字6单位的研究。
从图可以看出12学生在课堂上的平均花费22.67分钟在单位学习新单词和10.17分钟复习旧词在每个单元6单位的研究;在6单位的研究中,B类的学生平均花费26.50分钟的学习新单词每个单元和旧词的平均时间复习每个单元为12.50分钟。
从图可以看出13客观和主观的平均完成率问题在每个单元6单位的研究类的学生是97.27%,平均测试精度是86.12%;6单元的研究,客观问题和主观的平均完成率问题在每个单元测试B类的学生是89.83%,平均测试精度为80.96%。
5。讨论
对比实验数据之间的英语词汇教学模式构建思维导图的机器学习算法和传统的英语词汇教学模式,可以得出以下结论:(1)在英语词汇学习的层面上,机器学习算法构建一个思维导图在英语词汇教学模式,全面掌握学生的单词是15倍的传统教学模式(32,33]。所花费的时间学习新单词也是3.83分钟不到的时间学习新单词在传统教学模式下的学生。(2)在英语词汇复习,学生的准确率的审查和词识别的视角下英语词汇教学模式由机器学习算法是5.88%高于学生的审查和词识别的视角下传统教学模式和复习旧词所花费的时间是2.33分钟不到学生花时间学习新单词在传统的教学模式。(3)的学习成果,学生的完成率的单元测试在英语词汇教学模式的角度由机器学习算法高出7.44%,在传统教学模式的角度和测试精度是5.16%高于学生的单元测试在传统的教学模式。
整个比较实验数据表明,保持其他实验条件相同的条件下,在英语词汇教学不同的教学模式,无论在英语词汇学习方面,评论,或学习结果,学生在英语词汇教学模式构建的角度通过机器学习算法表现出更多的优势(34,35]。它表明,思维导图系统构建基于机器学习算法可以有效地提高教学效果在英语词汇教学中,帮助学生记忆单词,使学生致力于词汇学习更深入。基于实验数据的分析,我们可以看到,思维导图由将机器学习算法纳入传统的英语词汇教学有一定的实用价值和意义。
6。结论
经济全球化的发展使得英语教学教育行业的一个重要组成部分,学生英语词汇的教学要求也非常严格。大多数教师经常使用机械的教学方法帮助学生记忆单词,但从长远来看,它不仅没有加深学生记忆单词但也容易导致学生失去对学习英语的热情。作为一种新型的知识管理战略,思维导图可以有效地整合知识的要点和引导学生记忆词汇更科学。思维导图系统由机器学习算法不仅具有低成本的优势,还可以用不同的方法分析和过程知识要点。摘要机器学习算法应用于英语词汇教学,提高学生的学习兴趣和学习效果在某种程度上。本文提出的思维导图可以有效地提高教学的质量。相信随着技术的改进和发展,思维导图的应用由机器算法在英语词汇教学中会越来越多的高质量和高水平。
尽管如此,本文利用机器学习算法进行深入研究对英语词汇教学的建设思维导图,仍有许多不足之处。本文研究的深度和广度还不够,我们的学术研究水平也有限,和机器学习算法的应用研究仍处于初步阶段。在未来的工作中,我们将从更多的角度进行研究的基础上,现有技术和水平,不断提高该算法的质量。在未来的研究工作,实验条件和内容将不断改进,和机器学习算法的实用价值和意义在英语词汇教学将会从更多的角度探索。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由2020年江西省研究生教学改革项目(jxyjg - 2020 - 106)。