A Convolutional Neural Network-based Interaction Behavior Analysis and Creativity Evaluation System for Programming Games for 0-6 Years Old Children in Educational Big Data Environment
Notice bibliographique
Résumé
In this study, a multimodal analysis framework based on GCN is constructed to address the needs of interaction behavior analysis and creativity assessment of programming games for 0-6 years old children.A stack noise reduction self-coding neural network is used to recognize human gestures in images, and the feature representation of interaction behaviors is realized based on GCN, and the effectiveness of the method is proved by the experimental results on the two-player interaction behavior library.Construct a creativity evaluation system applicable to programming game scenarios for young children, and recruit 80 students aged 0-6 years old to carry out experiments.The students were classified using the GCN-based interaction behavior analysis model, and the weights of creativity evaluation indexes were determined by AHP.The fuzzy comprehensive evaluation method was used to evaluate and score the factors of creativity of the three categories of students, and the test results were verified with the help of the gray correlation method.The comprehensive evaluation scores of the three types of students are 2.006, 3.507 and 5.026, respectively, in which the creativity level of excellent learners is the highest and reaches the excellent grade.The normalized gray comprehensive correlation vector (0.3224, 0.3727, 0.3049) is close to the AHP weight vector (0.328, 0.357, 0.315) with a good assessment effect, and the research results provide a new technical path for behavior analysis and creativity development assessment in early childhood programming education.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».