Fuzzy logic-based multilevel assessment model for education quality with dynamic learning planning approach
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
In order to solve the problem of vagueness and uncertainty, which is difficult to deal with in traditional education assessment, this paper introduces the theory of fuzzy matrix logic, and constructs a multilevel assessment model of education quality by means of the affiliation function and multilevel weight allocation.Through fuzzy reasoning and cognitive estimation techniques, combined with knowledge graph visualization, the cognitive level of learners is accurately estimated to achieve personalized learning resource recommendation.The quality assessment of physical education teaching in colleges and universities is taken as an example to verify the application value of the model.The constructed PE teaching quality evaluation index system contains 3 level 1 indicators, 11 level 2 indicators, and 38 level 3 indicators.The initial index scoring result of the PE classroom by 5 raters is an average score of 100.8, which is 89.2 points different from the full average score.The weights of the indicators within the 3 levels do not differ much.Students' levels of knowledge of the 6 initial physical education concepts ranged from 0.53 to 0.86 points.The maximum inter-conceptual influence strength was 0.86 and the minimum was 0.18.After the interference of the resource recommendation, the cognitive level increased to between 0.67-0.98points.The maximum inter-conceptual influence intensity reaches 1.The Sig value is greater than 0.05, and the results of the model calculations have reliability and can be used for education quality assessment and dynamic learning planning method improvement.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| 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