Research and Practice on Optimizing the Innovation of Teaching Methods for Civic and Political Education in Colleges and Universities Based on Deep Neural Networks
Notice bibliographique
Résumé
This study focuses on the innovation of teaching methods for Civic Education in colleges and universities, and provides a structured knowledge framework for teaching by constructing a Civic Knowledge Mapping and integrating course knowledge points.On this basis, a new classroom teaching mode is designed to integrate online and offline teaching resources to enhance student interaction and participation.A knowledge tracking model of key-value memory network (MKVMN) based on multifeature fusion is proposed to accurately track students' mastery of Civics and Politics knowledge by capturing students' multi-dimensional learning behavior characteristics.To optimize the recommended path for students' personalized learning, an improved ant colony algorithm is introduced to generate personalized learning paths based on students' individual differences.The experimental results show that when the number of learning units is 0-10 (pre-study period), the improved ACO algorithm model does not have obvious advantages for students' learning, but when the number of learning units reaches 11-50, the difference between the experimental group students' learning performance and the control group becomes more and more obvious, so it can be seen that the improved ACO algorithm can obviously improve the students' Civic and Political Science learning performance.In addition, the IACS-PRA algorithm is especially effective in long path recommendation, which finds the optimal personalized recommendation path through a gradual approach to help students learn Civics and Political Science more efficiently, and provides a practical demonstration for the digital transformation of Civics and Political Science education in the new era.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».