基于贝叶斯网络模型的在线学习行为分析

线上线下结合的教学模式是未来教学的一个趋势,每一个学生的学习行为会直接影响学习结果,因此研究学习者学习行为对学习成绩的影响程度是目前的研究重点。目前常见的评价模型存在可信程度较低、可解释性较弱等问题,本文使用基于证据推理的贝叶斯网络(Bayes Network,BN)能够有效地解决这一问题。把方法应用在学习行为分析上,与常用的机器模型和深度学习模型进行比较,表现出更低的误差和更强的可解释性。

人工智能时代高等教育教学评价的关键技术与实践

长期以来,高等教育评价存在着模式陈旧、指标单一、数据匮乏和算法灵活性差等问题,人工智能的教育应用为解决这些问题提供了可能。探索人工智能支持的教育评价,是推动我国智慧教育发展的必然举措。本研究基于人工智能前沿技术与高等教育教学评价原理,提出构建基于人工智能的高等教育教学评价体系的五大关键技术:评价模式的构建、评价指标的构成、基于智能感知的常态化监测、智能评价算法的选择、诊断式评价及干预系统的设计,并在此基础上以广东工业大学“蕴瑜在线课堂”的教育诊断评价与干预系统为例,从数据感知、智能评价、数据决策三个方面阐述人工智能技术在高等教育教学评价中的应用,总结人工智能应用在高等教育教学评价中的优势。最后,本研究通过问卷调查发现,经本研究设计的人工智能教育评价与干预系统在各项维度上均优于传统的教学评价。研究结论可为人工智能时代高等教育教学评价改革与创新提供理论和实践参考。

深度学习支持下多模态学习行为可解释性分析研究

当前,学习行为分析已成为研究热点。基于大数据技术挖掘学生的学习行为特征,能为学习过程的改善、学习评价的优化提供重要依据。然而,现有研究却存在分析数据类型单一、实时性不强、结果准确度不高、缺乏可解释性等问题。文章从利用深度学习算法进行多模态学习分析入手,采用HDRBM(Hybrid Deep Restricted Boltzmann Machine,深度混合判别受限玻尔兹曼机)神经网络模型,建立多模态学习分析模型,为教育技术领域中利用多模态大数据挖掘学习者行为特征提供了新范式;接着从可解释性分析的角度,阐述利用深度学习算法进行多模态学习行为分析的算法设计与实现过程;通过实验表明,研究中所采用的方法与技术路线对提高学习行为分析的可解释性有较好成效。

小学校园足球教学改革走向研判及改进策略探究

新教改的不断推进,促使我国小学足球的发展速度越来越快,相关的各种问题也日益凸显出来。本文首先针对小学校园足球教学改革走向研判展开了探讨,随后,提出了一些相关的改进策略,以期为有关研究提供一些参考和帮助,为促进我国小学足球教学的发展做出一些贡献。