Optimising Learning Analytics and Teaching Decisions in Digital Transformation Practices in English Language Education
Notice bibliographique
Résumé
Digital teaching strategies can significantly stimulate students’ interest in learning and provide personalized learning pathways. This paper proposes a multimodal action recognition method that integrates the word vector method, and designs a teaching decision optimization strategy based on this idea. Firstly, we compare the information of different modalities, complete the construction of multimodal action recognition network through the processing of image information and optical flow information, and combine the word vector method to guide the semantic learning of students’ actions. Then the design and realization process of the teaching decision aid system is introduced. Based on the above proposed action recognition method to collect students’ classroom behavior data for model training to be used in the system, the system consists of four modules: model training, classroom data collection, behavior recognition and data presentation. After the data collection, the action recognition of student behavior is carried out to provide teachers with feedback on student behavior information and assist them in making teaching decisions. In this paper, the above algorithms and systems have been verified by relevant experiments. After comparison with other algorithms, it is verified that the multimodal action recognition method designed in this paper, which incorporates the word vector method, has a high accuracy rate. In the comparison of the overall quality of instructional design decisions, the average value of the instructional decision aid system in this paper is 17.35, which is higher than the average score of excellent human teachers in the overall quality of instructional design decisions, indicating that the instructional decision aid system designed in this paper achieves the optimization of instructional decisions and reaches the level of excellent decisions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».