Research on the Optimization Method of E-commerce Teaching Interaction Strategies Based on Reinforcement Learning Algorithms
Notice bibliographique
Résumé
E-commerce classroom teaching is an important means to improve the quality and teaching effect of e-commerce teaching, and effective interaction in teaching is an important carrier of e-commerce teaching classroom activities.This study combines pan-reinforcement learning and reinforcement Q learning algorithms to recognize and analyze speech data in e-commerce teaching classroom, and uses head posture estimation algorithm to recognize interactive behaviors in e-commerce teaching classroom video, and combines the video and speech interaction data to get the e-commerce teaching interactive behavior recognition model.The model is then equipped with web application technology to design a visual analysis system for e-commerce teaching interaction, and the optimization strategy of e-commerce teaching interaction is realized with the assistance of this system.The results of the study show that the interactive behavior recognition model proposed in this paper can accurately identify the interactive behavior of teachers and students in each course of e-commerce teaching.It is also found that after the implementation of interaction optimization strategy in college e-commerce teaching classroom, the frequency of effective interaction behaviors of teachers and students increases from 351 to 391 times, and the meaningless classroom silence time is reduced.And the learners' cognition of knowledge is also improved under the influence of the improvement of the effect of interactive behavior.The visual analysis system of teaching interaction proposed in this paper based on reinforcement learning algorithm is of great significance for optimizing the effective interactive behaviors of teachers and students in e-commerce teaching and improving the degree of students' knowledge cognition.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».