Online art teaching course design based on 5g technology and big data assistance and its impact on instructional delivery
Notice bibliographique
Résumé
This paper constructs the SAM agile iterative model according to the direction of online art course design, firstly by collecting art teaching related information and initiating the cognitive system of art teaching, and then entering into the iterative design phase to accomplish the development goal of the online art course incrementally through continuous iteration.Finally, after the double iteration phase, the software process enters the delivery phase to complete the design of the online art teaching course.The effect of the online art teaching course and its impact on delivery are analyzed in conjunction with the dynamic key-value memory network model based on the forgetting curve.The results of the memorization ability of art knowledge experiments in the pre-test have a mean value of 35.259, and the post-test has a mean value of 53.1254, while the Sig value of the paired test is 0.000, 0.000<0.05,which indicates that the effect of using the online course for art learning based on the Ebbinghaus forgetting curve is more significant on the learning of art knowledge than other applications.The regression results of the full sample model showed that overall instructors' use of big data aids for online art instruction significantly affects instructional delivery, t=1.245,P=0<0.05, which is significantly positive at the 1% level, indicating that the more adequate the use of these instructional methods, the higher the probability that students will rate their satisfaction with the instructional delivery.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».