文摘

改进的支持向量机算法提高大学英语教学效果评价的效率和满足大学英语教学评价的要求。基于相关理论,本文构建了评价指标体系以教师和学生为主体和以问卷调查结果为输入样本的LSSVM算法。与优化BP神经网络的评价准确性和类别加权灰靶决策方法,结果表明,评价LSSVM优化算法的精度是96.26%。以坐为例,本文使用优化LSSVM算法评估其教学效果和获得教师的文学和教学内容是重要的因素来提高英语教学的效果。因此,本文介绍了智能语音系统优化英语教学设计的坐下。维度的教学设计是优化教学目标、学习情况、教学内容、教学媒体和教学材料和教学程序。

1。介绍

教学效果评价已成为一个热点问题在国内外教育领域。教学效果是学校生存和发展的核心。教学评价是一个非常重要的和不可或缺的教学过程的一部分,检验教学效果的重要手段。传统的教学评估方法只关注学生的学习效果,这是不利于英语教学方法和内容的改革。

英语教学效果评价是指评价教师的教学效果方面的教学内容,组织教学成就,和学习兴趣。通过评估,可以提出课程优化的方向。Eleni et al。(2012)认为,教学动机和教学满意度是课程教学效果的主要因素,提出有效的教学评价方法的动机,如实验方法、问卷调查法和文本分析方法(1]。传统的问卷调查和观察评估不能客观地评价课堂质量很长一段时间,无法获得清晰的评价结果。在这种情况下,李et al。(2019)提出了一个智能教师质量评价平台。通过考虑传感器信息、流信息和电力信息的移动设备在教学过程中,教师质量评价得分是通过神经网络训练分类模型(2]。Nalla(2019)提出了一种以证据为基础的教学策略评估框架(3]。梁et al。(2012)讨论的方法分析短消息服务(SMS)的文本挖掘在教学评价,并分析和分类的信息(4]。艾哈迈德(2018)分析了如何提高学生的反应率通过调查结果教学课程评价。调查结果表明,教师的有效的沟通可以有效地提高学生参与教学课程质量的评价5]。Cadez et al。(2017)分析学习风格之间的关系和会计学生通过老师的学术成就评价(6]。Bi(2018)研究了教学评价等级,并使用基于统计过程控制理论的评价和标准偏差图评估学校教学成绩(7]。

在评价方法的选择,情感分类模型是广泛使用的。马伦和科利尔(2004)首先分析文本之间的语法,然后进一步分析文本的情感基于SVM算法(8]。莫拉et al。(2013)机器学习算法和深度学习技术融入教学效果评价、比较支持向量机算法的分类效果与人工神经网络算法,并证明安的分类效果相当于的支持向量机(9]。此外,模糊数学理论、层次分析法和BP神经网络也常用在一群獾的评价。进行肯尼迪和埃伯哈特(1997)提出了一个基于进化算法来解决离散问题鸟觅食行为的研究。与遗传算法相比,它具有更快的收敛速度在解决多用户检测问题10]。

阳光(2020)等人开发了一个在线英语教学助理制度,利用决策树算法和神经网络生成一个基于决策树技术的英语教学评价模型和研究潜力评价结果和各种因素之间的关系(11]。然而,优化高校教学质量的评价模型基于BP神经网络将忽视教学质量的因素,导致一群獾的低精度评估。de Souza Krohling和(2012)定义每个方案积极和消极目标距离的积极的和消极的理想方案,并对方案进行排序根据每个方案的综合目标距离(12]。教学评价方法基于类别加权灰靶决策评估效率低,由于复杂的计算过程。在智能系统的应用课程教学中,学生的智能教学系统模型建立的基于贝叶斯网络的局域网(2020)不仅可以客观地评价学生的认知能力还推断出学生的未来学习行为(13]。迈尔斯(2021)使用智能教学系统自动检测学生的情绪状态,引导学生进入积极的学习状态14]。斋月和Vasilakos(2017)收集浅大脑活动信号,提取特定的脑电波根据特定的频率,和评估学生的注意力、情绪和认知负荷(15]。

现有的一群獾的研究主要侧重于评价模型的选择和模型精度的提高,也减少了对实际应用和优化的研究手段。本文不仅优化评价模型,而且创新介绍了智能语音系统等信息技术手段,提高大学英语教学水平。根据以往的研究,本文发现,数学算法广泛应用于一群獾的评价,但大多数人只使用一个方法,算法的优化需要进一步改善。摘要SVM算法的评价方法一群獾,和PSO算法来优化支持向量机算法。

本文构建评价指标体系从教师和学生的角度,充分考虑学生的兴趣和老师的感受。通过比较分析,选择精度最高的算法作为本文的评价方法和选择的评价方法应用于实践获得的最重要的影响因素。介绍了智能语音系统优化大学英语教学课程设计、教学评价质量的提高是充分考虑,和课程进行优化设计,同时提高学生的英语学习成绩和考虑学生的兴趣和学习需求。在本文的评估过程,大学英语教学的影响分为四个等级:优秀、良好、通过,失败,和优化算法用于实证研究。首先,本文选择上海理工的一个案例研究来评估其大学英语教学效果。其次,根据各项指标的评价结果,综合评价的结果,最重要的指数在课程优化设计的过程中。最后,介绍了智能语音系统制定优化大学英语教学课程设计的方案和建议。

2。大学英语教学效果的评价模型

2.1。大学英语教学效果的评价指标体系

有许多理论对大学英语教学效果的评价体系。教师和学生是两个课堂的主体,他们参与教学的整个过程。因此,从这两个主题,一群獾可以评估更全面。根据评价指标体系相关理论,以教师和学生为主题建造的,如图1。本文构建评价指标体系可以评估教学效果更全面从学生和教师的主要观点和参与教学活动的不同的观点。从学生的角度来看,在课堂上评价指标主要来自他们的感受。因此,从学生的角度评价指标主要包括课程内容,课堂气氛,教学秩序、教学技能,责任心,和兴趣。从教师的角度来看,评价指标主要来自实际的教学效果和课程的数量。因此,从教师的角度评价指标主要包括学生的表现,纠正作业,类的数量提前解散,传输类的数量,和类的数量暂停。的解释和定义指标如表所示1。

教师的责任感和英语成绩是重要的指标对大学英语教学的影响进行评估。大学英语教学效果的评价指标数据作为输入样本的最小二乘支持向量机实现大学英语教学效果的评价。

2.2。LSSVM的评价原则

本文采用最小二乘支持向量机(LSSVM)方法对英语教学进行评估。LSSVM是使用最广泛的方法之一,在非线性信号处理具有良好的准确度和精密度。与人工神经网络相比,它可以克服的缺点长的训练时间,训练结果的随机性,过度学习16]。与支持向量机相比,LSSVM将不等式约束转化为等式约束的二次规划问题转化为一个线性系统方程问题,大大促进了拉格朗日乘数法的解决方案 。LSSVM的计算效率高于SVM。此外,LSSVM同样适用于高维输入空间分类和回归的任务,可以扩展到非监督学习和复发性神经网络。

的主要描述一群獾评价模型用于摘要如下:一个非线性映射是选择地图样本向量与n维输入数据x和一维输出数据y ,从原始空间到高维特征空间。LSSVM的回归方程所示以下方程:

在上面的方程中,权向量和常数吗b是偏差项。优化LSSVM的问题见以下方程:

在上面的方程中,正则化参数和吗是错误的变量。与支持向量机相比,LSSVM的限制是不同的,见以下方程:

支持向量机的不等式约束取代了一个等式约束,和解决方案的构造拉格朗日函数,见以下方程:

在上面的方程中,是拉格朗日乘子。下的最优值计算Karush-Kuhn-Tucker(马)优化条件。等式约束所示后方程:

通过消除和在上面的方程,二次优化问题是取而代之的是解一个线性方程组,计算结果如以下方程:

在上面的方程中,是单位矩阵;是一个支持向量; ; ; 代表了内核的内积矩阵, 和 基于核函数在原始空间,LSSVM的回归函数得到以下方程:

规避维度灾难,径向基核函数中常用LSSVM介绍的高维特征空间的内积运算。径向基核函数所示后方程:

在上面的方程中,代表了核函数宽度。的泛化能力可以增强LSSVM优化两个参数,和 。当LSSVM用于大学英语教学评估,粒子群算法可以用于参数发现问题,和具体的评价过程如图2。

2.3。基于算法的参数优化

参数的选择是一个重要的研究方向LSSVM领域的研究。许多方法可以用来确定和 ,但是有缺陷在内存和时间。粒子群优化(PSO)算法的优点是不易局部最小值,容易实现,用更少的调优参数。因此,算法通常用于解决非线性,nonintegrable,多通道的问题。在算法中,每一个潜在的解决优化问题被称为“粒子。“每个粒子都有自己的立场和速度(这决定了它的飞行方向和距离)和一个被优化的函数决定的适应值。

人口的粒子是在设置的 - - - - - -维搜索空间,粒子的最优位置在描述的空间搜索 , ;速度是所描述的 , ;粒子的位置是所描述的 , ;最优位置寻找总人口中所描述的 , 。更新粒子的位置和速度的方法是在以下方程:

其中,是惯性权重系数;和加速常数;是优化代数;和在搜索空间中粒子的速度和位置在代数吗 ; 和随机数。优化参数的过程和通过算法如下:(1)规范化和预处理一群獾评估数据(2)设置参数值(3)初始化处理(4)设置个体极值和全球极端值 ,并计算每个粒子的适应值根据其当前位置, ,在哪里样品的总数量吗(5)为了产生新的种群,更新粒子位置和速度根据方程(9)和(10)(6)解决的健身价值为每个粒子在新的人口(7)相比之前的最优速度和最优位置的人口,如果是优秀的,转换将会实现,否则,没有调整(8)如果最优不满足结束条件,我们需要迭代的数量 并返回到步骤4来找到最优解

2.4。评估过程

结合大学英语教学效果的评价指标体系,大学英语教学效果评价模型基于粒子群优化算法和支持向量机。模型的流程图如图3。

LSSVM的输入样本的值是一群獾评价数据,从专家评级。评价结果是通过支持向量机的操作算法。本文优化评价算法通过比较评价结果之前和之后添加PSO算法。PSO算法主要解决了核函数的最优解LSSVM参数和正则化参数,然后优化一群獾评价的过程。法官是否现有的参数通过如果函数最优解。如果结果是肯定的,测试样品评估,结果输出。如果结果是否定的,需要对粒子群优化算法用于调整参数最优解决方案。上述过程是一个机器学习的过程,和计算机实现自动调谐的目的通过自己的学习。

3所示。实验结果和分析

本文选择了英语课堂教学效果的商丘科技学院为研究对象,收集样本数据根据一群獾的评价指标。通过大学英语教学的实际情况和大学英语教学效果的评估专家,我们可以得到大学英语课堂教学的质量水平,200年的数据样本进行测试。在模型建立过程中,本文选择了高斯径向基函数作为核函数。

每个六度的训练数据错误输入到LSSVM回归量学习,在PSO算法用于多目标优化的正则化参数和核函数参数。PSO的人口规模是设置为200,学习因子为1.49,最大迭代次数为1000,惯性权重1开始。最后选择最好的模型参数是( , )= (2316.57,224.46),= 9.93。回归模型的性能评估是正确的数量的比例模型预测的样本总数,见以下方程:

为了验证一群獾PSO-LSSVM方法的有效性评估,我们也使用BP神经网络(17和灰色目标决定方法18对比测试的)。三种方法用于测试实验数据集获取他们的精度计算结果,如表所示2和图4。从表可以看出2,平均评价方法的准确性为96.26%,5.36%和14.29%高于BP神经网络和灰色目标决定,分别。因此,PSO-LSSVM方法有着非常优越的精确度和科学的性能。

接下来,我们执行10日20实验数据集使用的三种方法,和时间用于三种方法(测试时间和培训时间)内的实验计算平均值被选中。三种方法的比较结果如图5和6。

从数据的比较结果3和4,可以看出POS-LSSVM明显优于其他两种方法的时间效率,这种方法的训练时间和测试时间的最低,平均培训时间低至15 ms,和平均测试时间是低至5 ms。与BP神经网络相比,其训练时间节省8女士及其测试时间节省5女士;与灰色目标决策相比,其训练时间可以节省3女士及其测试时间节省4 ms。

4所示。教学优化设计

本文的目的是提出通过构建一群獾最敏感的影响因素评价模型,然后提出一些有针对性的方法来提高英语教学的有效性。进一步的调查问卷和穿甲采访后,我们得出结论 , , ,对英语教学发挥更重要的作用。这四个指标是上下移动了5%和10%,分别的大小的影响评估结果如图上的每个举动7。便于分析评价结果的变化,变化的速度是使用真实价值的绝对值表示。图7说明和有更高程度的影响评价结果相比和 ,这意味着一群獾在本文的优化课程内容和教师技能(19]。

在语言学习中,学生利益将是一个极大的帮助。因此,我们必须找到合适的方法来提高教师素养,丰富教学内容,激发学生的兴趣,提高教学效果(20.]。从STL的现实,本文主要通过集成的信息技术提高了大学英语教学和课程设计。

4.1。观察维度的课程设计

课程开始前的优化,本文观察坐在学院和大学的英语课程,通过现场观察,获得研究资料,主要观察英语教学的课程设计坐的学院和大学,技术工具的应用,集成技术和课程内容。具体观察维度包括教学目标、学习情况、教学内容、教学媒体和教学材料和教学程序。

教学目标而言,坐在教师重点培养大学生的基本知识和技能,英语视听说教学大纲和课程要求和注意培养学生的情感、态度和价值观的教学课程计划。但是,它不注重培养学生的英语思维和缺乏英语文化元素的功能。在学习方面,坐在教师作为学生学习中心。在整个英语教学过程中,教师给予足够的关注学生的学习状态和性能。然而,作为一个新生的坐,英语不是固体的基本知识,知识结构并不是系统和完善。教师的教学节奏不与学生同步学习的状态和能力。因此,教学是阻碍。在教学内容方面,坐在教师有以下这本书的现象,缺乏有效的教学内容的设计,没有精细处理和扩大知识和技能。教学内容符合教材本身,导致缺乏对课程的兴趣。教学媒体的应用和课程材料,坐在教室配有先进的教学技术工具,但教师不应用于实践教学,只有作为表示和显示的课程材料,和课程设计缺乏理论指导。

此外,在实际的教学过程中,教师只使用课本,标记,白板教学。因此,教学技术不能充分发挥它的最大功能,并在整个教学过程的分离。教学过程,教学过程往往是老坐着,主要包括评估、主要课程、实践、总结,工作和家庭有一些实际问题在这个教学过程中,应优化添加教师的活动和学生的学习活动之间的联系。

因此,教学环节的应用程序框架,活动形式,和技术工具的具体观察维度坐英语课程,如图8。在复习课中,教师总结和回顾了基本的英语知识和技能在前面的课程,包括认知、理解、和技能。在主课程链接,老师将准备课程内容以书面形式和口头形式根据教学要求,主要包括主题介绍,词汇障碍清除,主要解释,文本解释和课外知识的扩张。在实践环节,老师测试学生的学习课程知识群体的随机点名和随机检查,并重申并解释知识分高错误率。在总结部分,教师课程整合方法适用于审查和重复的关键和难点课程的了解学生对知识的理解。在家里工作环节,老师布置课后作业。作业的类型包括听写和背诵关键字,和灵活的搭配,短语和句型的应用。

4.2。优化和完善教学过程

本文选择一个优化程序指导下信息技术与课程的整合,主要是为了解决过时的教学设计的现状,碎片和技术工具和实际教学脱节。其目的是提高教师的综合能力,提高学生的学习兴趣,增强课程内容的连贯性和教学在未来的教育教学质量。教学的主要尺寸优化设计包括整个教学过程,使用技术的概念和技术工具整合教学维度。各个方面的教学辅助和促进应用技术;技术概念完全集成了整个教学过程,技术工具不再是无所事事,他们更有效地结合教学。

智能语音系统集成到整个课程教学过程的各个阶段来丰富教学内容,使学生可以进行角色扮演,音频和视频升值,和其他活动。本教学优化的重点是teacher-led-student-subject角色在师生教学角色位置尺寸。启发、引导,学生学习下和教学的老师。然后,这一理论的指导下的教学关系,优化教与学的指导下,课程整合是通过使用技术工具,艾滋病教育,学科内容的概念融入整个教学过程。总的来说,这项研究提供了一个精心设计和教学活动过程的详细分析,优化教学设计可以更有效。教学的具体内容优化和信息技术的综合应用在图所示9。

5。结论

一群獾之间的定量非线性函数,每个评价指标是复杂的。复杂的数学关系导致主观评价得分,这影响了评价的客观性和公平性。为了准确地评估大学英语教学的有效性,提高大学英语教学的整体水平,本文研究大学英语教学有效性的评价模型基于PSO-LSSVM。十个数据集的平均评价模型的准确性为96.26%,具有较高的优势,近6%高于BP神经网络。平均培训时间是15 ms和平均测试时间是5毫秒。实验结果表明,该方法具有最高的评价精度,评估时间短,最好的评价结果。基于本文的方法,它可以提高英语教学效果优化计划,这是伟大的现实意义对大学英语教学水平的提高。

在这项研究中,实现信息技术与课程整合的概念应用于指导教学,开展教学实践。这个先验的概念优化和提高整个教学体系,和教学系统的每个组件包含技术集成的概念。同时,它关注的集成技术、教育学、学科内容。结果,坐优化,提高学生的英语听力和口语能力。

由于时间和精力有限,仍存在一些不足需要进一步改善。首先,为了提高研究的推广,我们需要更好地应用方法的深入研究大学英语教学评价指标体系在未来的研究,使它完整、更科学。其次,更多的实验进行datatests本文方法和方法不断优化的测试。最后,希望深入研究将更好的方法,使大学英语教学评估的准确性和效率更好。

数据可用性

标签数据集用于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。