Research on the Construction of Labor Education Curriculum Model Based on Multi-Objective Optimization Algorithm under Fuzzy Cognitive Orientation
Notice bibliographique
Résumé
Optimization problems usually involve multiple objectives, while fuzzy cognitive maps can effectively show the causal relationship between concepts, and the combination of the two can greatly advance the development of the education field. In this paper, we design a fuzzy cognition-based knowledge map for labor education courses and a multi-objective optimization model for labor education courses to optimize learners’ learning paths and recommend personalized exercises from multiple stages. Through teaching experiments and regression analysis, the teaching effect of the multi-objective optimization algorithm in labor education courses is evaluated. This paper borrows the k-means algorithm to classify learners into four clusters, and the algorithm provides learning path optimization for different clusters of learners in labor education courses. The exercise recommendation accuracy of this paper’s algorithm ranges from 0.91 to 0.97 and has better novelty and diversity recommendation performance. In the experimental class in the fuzzy cognitively oriented multi-objective optimization labor course, the learners’ labor scores improve faster and are about 3.8 points higher than those of the traditional teaching, and the regression results show that this paper’s model has a positive and positive effect on the teaching effect. The average satisfaction scores of this paper’s model in labor education courses for the friendliness of teaching aid, effectiveness of cognitive diagnosis method, usefulness of path optimization, and reasonableness of personalized recommendation of exercises are above 4.3, indicating that the model has practical application value in labor education courses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».