Using Corpus and Artificial Intelligence Technology to Build English Conversation Classroom Teaching Scenarios
Notice bibliographique
Résumé
This paper analyzes the current teaching development direction of intelligent simulation context, and argues that the development and updating of semi-open human-computer dialogue systems based on scenes and topics need to rely on the division of labor between machines and human beings.In this regard, the development strategy of intelligent teaching of English dialogue interaction is proposed by combining the speech corpus annotation system designed based on artificial intelligence technology and the dialogue interaction teaching strategy derived from the interactive teaching model.The corpus annotation model of multi-layer perceptual machine is designed, which consists of real-time interaction module, core technology and algorithm module and data storage module.Draw a mind map of the framework for analyzing the effectiveness of dialog teaching, and develop a dialog interactive teaching strategy for pre-class dialog, in-class dialog and after-class dialog by invoking the interactive teaching model.Analyze the annotation results of the intelligent annotation model of speech corpus in LDC corpus and UN corpus.Observe and organize the teaching implementation effect of the dialogue interactive teaching strategy, and illustrate the pedagogical feasibility of the English dialogue interactive intelligent teaching development strategy proposed in this paper in combination with the learning achievement and questionnaire results.In the classroom English conversation, the zero feedback of dialog teaching is only 1.60%.The linguistic feedback of dialogue is reflected in the proportion of 33.87% of combing and summarizing, 33.55% of judging the correctness and error, and 30.99% of extending and pursuing questions.The effectiveness of English conversation classroom is improved.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».