Resource Allocation and Optimal Path Selection of Civic and Political Education Curriculum Based on Multi-Objective Optimization
Notice bibliographique
Résumé
This paper combines the project response theory to dynamically adjust and update the resources according to the learning effect and learning feedback in the process of Civic Education, so as to achieve the goal of matching the learners with the learning resources and realize efficient learning.The differential artificial raindrop algorithm based on perturbation mechanism is designed to realize the solution of multi-objective combinatorial optimization of learning resource allocation.Performance experiments show that the convergence curve of the resource allocation algorithm in this paper is gradually flattened, and the algorithm still has the evolutionary ability, the convergence curve is still decreasing, and the final characteristic difference value is also better than other BPSOR and GAR algorithms.In the case of the number of learning resources of 10, 20, 30, 50, 100, the time consumed is 207ms, 1602ms, 20506ms, 68430ms, 354687, all of which are the lowest, and the success rate is also the highest in the model.The optimal learning path is applied to an experimental class in a university for a 6-week teaching experiment, and the experimental class scores 87.2 points in the Civics test, which is much higher than the control class.This paper realizes the accurate capture of students' Civics learning problems and the recommendation of targeted teaching resources, which can improve the quality and effect of Civics teaching.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».