A Study on Designing Multi-Level Computing Models to Enhance the Effectiveness of Computer Education by Combining Generative AI Techniques
Notice bibliographique
Résumé
In today's era, the transformative power of computing is highlighted, and computational thinking has become the core literacy and essential ability of learners, while computer education is an effective carrier for cultivating computational thinking.The article firstly researches the theory related to collaborative filtering and generative adversarial recommender system.Then it combines SeqGAN with traditional CF algorithms, proposes to use sequence generative adversarial network for missing data prediction, and makes appropriate improvements to SeqGAN to make it suitable for generating scoring data, and then further designs a computer teaching system based on this model.The article launches performance testing experiments on Ali's real dataset UserBehavior, and conducts experiments on the effect of computer education with the students of computer application major in a secondary school as the research object.The results of the study show that in the comparative analysis of the pre-test and post-test of computational thinking of the experimental class, the mean of the total score of computational thinking of the experimental class in the pre-test and post-test is 71.17 and 78.35, respectively, and the post-test is more than 7 points higher than the pre-test.It can be concluded that the teaching model of multilevel computational modeling designed in this paper promotes the development of students' computational thinking and academic performance, improves students' learning attitudes, and increases classroom participation.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».