Research on the Optimization of Civics Content and Practical Path of Western Economics Course in Applied Colleges and Universities Based on Machine Learning
Notice bibliographique
Résumé
The combination of the content of Civics and professional courses in colleges and universities is one of the important contents of general education in colleges and universities in recent years.The article introduces machine learning algorithms into this field to explore the optimization path of western economics course civics in colleges and universities.After developing the resources of western economics course civics, the content generation model of western economics course civics is constructed by using the content generation algorithm based on pre-training model and keywordawareness, respectively.Then the text generation performance of the proposed content generation model is examined.The results of the teaching experiments of the experimental group and the control group are compared to explore the effectiveness of this paper's machine-learning-based content optimization and practice path of western economics course civics on improving students' performance.The F1 values of this paper's content generation model on the ROUGE-1, ROUGE-2, and ROUGE-L indicators are 39.06%, 24.79%, and 36.65%,respectively, which is the optimal performance among all models.The students in the experimental group and the control group had the same level of Civics in Western Economics course before the experiment.After the experiment, the two groups produced a score difference of about 5 points on the 8 content dimensions, and the p-values were all less than 0.05.The experimental group's postexperimental performance in course civics were all significantly improved (p<0.05), while the control group basically remained at a level similar to that of the preexperiment (p>0.05).The content optimization and practice path of western economics course Civics based on machine learning can significantly improve the learning effect of students.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».