Research on the Path of Enhancing Teaching Effect of Data Visualization Technology in Civic and Political Education in Colleges and Universities
Notice bibliographique
Résumé
The field of education is paying more and more attention to the fundamental task of education by establishing morality, and ideological and political education has become a major project in which all the teaching and learning links cooperate with each other and are accomplished in a concerted manner.This study explores the method of organic integration of ideological and political education and teaching and data visualization technology to enhance the effect of ideological and political teaching.Firstly, the method of portrait construction is introduced, combined with the student behavior dataset, and the student behavior data is preprocessed.Using the user portrait construction method as a hub, a gradient boosting decision tree model was used to predict the students' Civics learning performance.The improved K-prototypes clustering algorithm was used to categorize student groups, which facilitated teachers to develop targeted learning strategies.Finally, group portraits and feature labels are extracted from the students to further help teachers accurately determine the types of student groups and carry out personalized teaching.The classroom teaching model in this paper classifies students into four categories with obvious behavioral characteristics, which increases teachers' understanding of students, and the model not only improves students' academic performance in Civics, but also significantly improves students' level of course Civics and increases students' classroom active response rate by 19.625%.The Civics education data visualization technology proposed in this paper reveals the rules of Civics education and improves teachers' work efficiency.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».