Research on Content innovation path design of ideological and political education in network environment based on artificial intelligence reinforcement learning
Notice bibliographique
Résumé
This paper establishes a specific path for the realization of AI-enhanced learning on the content of Civic and Political Education, starting from the relevance, quality, novelty and intuitiveness of the teaching content.Through HTML parsing and other crawler technology to obtain the Civics education data on the news network, and extract the data characteristics of the Civics material, using the clustering rule algorithm, to classify the material.Decision tree calculation based on random forest is performed to dynamically expand and integrate the material, on this basis, using reinforcement learning recommendation algorithm, the Civic and political education content recommendation model is constructed, and the recommendation results of the algorithm are verified using simulation experiments.The experimental results show that the average success rate of the research-designed recommendation algorithm in the last 10 groups of experimental data is 25.218%, which is higher than that of the MK recommendation algorithm (18.03%), and the average time of the research-designed recommendation algorithm in the last 10 groups of data is 5.095s, which is more efficient than that of the MK recommendation algorithm (11.903s).After integrating the enhanced learning content recommendation in the Civics education, the students' humanism scale score was 100.5612.364,with a p-value of less than 0.05, which was significantly higher than that before teaching.
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 | 0,006 | 0,003 |
| 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 | 0,000 | 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 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 ».