A Study on the Metricized Assessment of Foreign Language Talent Cultivation Goal Achievement in Applied Colleges and Universities under the Concept of OBE Based on Decision Tree Algorithm
Notice bibliographique
Résumé
The evaluation of English course goal attainment is an important basis for colleges and universities to judge whether the goal of cultivating foreign language talents has been achieved.This paper proposes a method for quantitative assessment of course goal attainment according to the OBE concept.Calculating the importance of attributes about classification, the decision tree algorithm based on rough set is proposed, combined with association rules for deep mining of educational data.Collect quantitative educational data and questionnaire data of a university, modeling relying on SPSS Modeler 14.2, and outputting decision tree of influencing factors.Using the evaluation of course goal achievement to analyze the achievement of A4 course goals, and exploring the association rules of influencing factors based on the decision tree.The traditional decision tree algorithm is introduced as a control group to evaluate the performance of the rough set-based decision tree algorithm.The results show that the achievement degree of each sub-objective of A4 course is higher than 0.70, and students who have the achievement degree of A4 course objective greater than 0.7, the nature of their major is foreign language and they have passed the Grade 4 test have a higher possibility of achieving the final foreign language talent cultivation goal of the university.The precision of the assessment method based on rough set decision tree is maintained at about 88%, and the accuracy rate is basically maintained at about 90%.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».