A study on the shortest path algorithm for vocal skill mastery path in practical teaching innovation
Notice bibliographique
Résumé
How to form a personalized shortest learning path for vocal skills based on learners' individual characteristics is the key to improve the efficiency of vocal music teaching.In this paper, on the basis of dynamic key-value memory network, a gating mechanism is used to update students' knowledge mastery status, and a knowledge tracking model based on dynamic key-value gated recurrent network is proposed to realize the accurate assessment of students' vocal music level.On this basis, after searching the suboptimal path using the particle swarm algorithm, the shortest path is searched using the ant colony algorithm, which solves the shortcoming of the blindness of the initial search direction of the single ant colony algorithm, and constructs a recommendation model for optimization of the learning path of vocal skills.The results of simulation experiments show that the model AUC and ACC on the ASSIST2015 dataset are 0.7468 and 0.7654, respectively, which are much higher than the highest 0.7281 and 0.7528 in the baseline model.Path optimization was achieved for both ordinary and excellent vocal students, and the average optimization was 4.297 and 3.242 on ASSIST2009, and 3.819 and 3.044 on ASSIST2015.This paper makes an innovative exploration to improve the quality of vocal music 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 | 0,005 | 0,002 |
| 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 | 0,001 | 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 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 ».