基于双重特征注意力的多标签图像分类模型

针对目前多标签图像分类任务中存在的图像多区域特征信息提取不足、图像特征与标签语义关系构建难等问题,提出一种基于双重特征注意力的多标签图像分类模型。首先,构建图像特征注意力模块对图像信息进行全局多区域特征的注意力关联,增强图像特征提取能力;其次,通过构建联合特征注意力模块对图像特征信息和标签嵌入进行相关性表示,从而使标签与图像区域之间进行跨模态融合得到更优的映射关系。实验结果表明,该模型在VOC2007和COCO2014多标签图像分类数据集中均取得了较好的分类效果,其性能指标相比于现有算法有较大的提升,验证了该模型的有效性。

基于K-Medians的学习质量评价方法研究

长期以来,学生综合学习质量评价存在着评价数据不丰富、评价方式简单、评价结果运用不科学等问题,大数据与数据挖掘等技术的发展给解决这些问题提供了可能。针对以上问题,文章提出基于K-Medians的高维聚类评价方法,通过一个实例说明了该方法在学生综合学习质量评价的应用过程。与传统定性评价相比,该方法可联合多种评价数据、评价方式更科学、评价结果蕴涵多种指导信息;与其他非传统评价方法相比,该方法在公正性、便捷性、直观性上具有较大优势。

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。