Deep Learning-Driven Curriculum Innovation and Structural Optimization of Art and Design Education in Artificial Intelligence Environment
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
Driven by artificial intelligence and deep learning technology, this study proposes an intelligent course recommendation system for art and design education.By constructing XMMC, a joint extraction model of knowledge entities and relations based on deep learning, the accurate analysis of course knowledge structure is realized.Key features such as user preference, content semantics and social influence are extracted by combining multi-feature ranking models such as collaborative filtering, topic modeling and course hotness.Finally, based on the deep reinforcement learning algorithm DDPG, a dynamic recommendation strategy is designed to optimize the recommendation effect.The experiments are based on Coursera Course, Caltech-UCSD Birds 200 and Education Recommendation datasets, and the results show that the improved DDPG model achieves 49.11%, 70.05% and 59.23% course coverage on the three datasets, respectively, which is better than the traditional algorithms TimeSVD and CDAE with significant improvement.We constructed the art education course category with the number of topics as 5.In the practical application, the recommended list generated by the system is highly consistent with the course heat analysis, in which the course "Introduction to 3D Modeling and Blender" ranks the first with 6729 average playbacks, which verifies that the recommendation strategy can effectively improve the fitness of the pushed content and the current course progress of the students.It verifies that the recommendation strategy can effectively improve the compatibility between the pushed content and the students' current course progress.
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 | 0,001 | 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 découle