A Study of Teaching Quality Improvement in English Listening Teaching in the Context of Speech Recognition Technology
Notice bibliographique
Résumé
At present, most English learners spend much less time listening to English than reading it.Most of the language knowledge is acquired through visual channels rather than auditory channels, thus the language knowledge does not form corresponding auditory images in the mind, so the phenomenon of reading but not understanding occurs.Aiming at this kind of problem, this paper tries to explore the role of speech recognition in improving the quality of English teaching by combining it with this technology.The article first recognizes English spoken speech features based on Mel's frequency cepstrum feature parameters and deep belief network, then expands the number of speech features from both time and frequency by means of distortion and masking, and designs the encoder part by combining 2D convolutional neural networks and GRUs, and finally models the local and temporal information in the speech features to realize the recognition of English speech.And thus establish a new model of English listening teaching.As verified by the dataset, the method in this paper can accurately recognize speech features of different emotions, and the recognition effect is better than other models of the same type.In addition, an equivalence study between the proposed teaching model and the traditional teaching model was conducted with 70 foreign students in a university.It was found that the mean value of the total scores of the candidates in the group of the teaching model proposed in this paper was 0.26 points higher than the mean value of the total scores of the candidates in the traditional group, among which, the mean value of the listening scores of the candidates in the group of the teaching model proposed in this paper was 0.1 points higher than the mean value of the listening scores of the candidates in the traditional group.
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 | 0,002 | 0,007 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».