Research on Intelligent Interaction Design for Enhancing Multi-Scenario English Learning Using ChatGPT and Deep Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human-computer interaction scenarios have a broad prospect in the field of English learning.In this paper, a human-computer dialogue interaction system for English learning scenarios is designed based on deep reinforcement learning and artificial intelligence interaction technology.Firstly, a speech enhancement method based on collaborative recurrent network is proposed to optimize the speech analysis module.On this basis, we design the framework of human-computer interaction system, and construct a human-computer dialogue interaction system for English learning scenarios that contains three modules: natural language understanding (NLU), knowledge retrieval enhancement, and natural language generation (NLG), in which knowledge retrieval enhancement utilizes ChatGPT for document reordering design.In the speech enhancement simulation experiments, the mean value of network congestion for the speech enhancement method designed in this paper is 0.073, which achieves at least 50% performance improvement, reduces speech distortion and optimizes the signal-to-noise ratio at the same time.The system is experimentally analyzed for two tasks, conversation state tracking and conversation reply generation, and outperforms the baseline model on both tasks.Finally, a subjective evaluation is conducted, and the system in this paper scores 3.766, which is obviously a smoother human-computer interaction experience, and the English learning interaction experience has a greater advantage compared with the other methods.This paper provides innovative ideas and feasible methods for combining cutting-edge information technology with interactive English 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.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle