A high-performance computing-supported model for monitoring the effect of ideological education in a big data environment
Notice bibliographique
Résumé
This paper constructs a set of models for monitoring and evaluating the effect of Civics education through the research on the evaluation of Civics education based on educational big data environment.First, based on distributed gray cluster analysis, it analyzes and researches students' Civics learning behavior, and explores learners' learning characteristics by mining meaningful behavioral features for cluster analysis.The second is to design the Civics teaching quality evaluation model using principal component analysis, test the effects of population size and convolution kernel number on the performance of the Civics teaching quality evaluation model, and optimize the teaching quality evaluation model by using the dimensionality-reduced evaluation data.Distributed gray cluster analysis gets four clusters according to the characteristics of students' learning behaviors, which are divided into excellent, diligent, average, and negative students.PCA selection of evaluation indexes found that the cumulative contribution rate of the first 10 principal component indexes to the evaluation of the quality of Civic Teaching in colleges and universities has reached 95.63%, which indicates that these 10 indexes can adequately evaluate the quality of Civic Teaching in colleges and universities.When the number of population size is taken as 31 and the number of optimal convolution kernels is taken as 19 values, the RMSE of the evaluation model is 0.01973, and the test time consumed is 0.0783ms, which is the best performance.The constructed Civics education effect monitoring model can effectively assess students' learning behavior and efficiently and accurately evaluate the quality 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 | 0,004 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».