CN114897077A - 一种基于机器学习的英语阅读素养评价方法 - Google Patents
一种基于机器学习的英语阅读素养评价方法 Download PDFInfo
- Publication number
- CN114897077A CN114897077A CN202210536839.1A CN202210536839A CN114897077A CN 114897077 A CN114897077 A CN 114897077A CN 202210536839 A CN202210536839 A CN 202210536839A CN 114897077 A CN114897077 A CN 114897077A
- Authority
- CN
- China
- Prior art keywords
- reading
- english
- literacy
- evaluation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明一种基于机器学习的英语阅读素养评价方法公开了一种利用机器学习算法从拼读能力、阅读流畅度、阅读理解答题正确率、阅读频率以及阅读量多个层面对学生的英语阅读素养进行更加精准的综合评价，同时通过评价对学生的阅读策略进行调整优化的评价方法。其特征在于具体包括以下几个步骤：将收集的英语阅读素养数据作为训练样本，学生终端将训练样本发送至数据处理中心；数据处理中心的数据特征提取模块对接收的训练样本进行特征集提取。
Description
技术领域
本发明一种基于机器学习的英语阅读素养评价方法涉及一种通过机器学习算法对学生英语阅读素养进行评价的方法，属于教育信息化技术领域。
背景技术
英语阅读素养是紧跟英语教学的时代新要求，对英语阅读提出的新概念，以往阅读能力的考察和应用范围越来越有限，随着外语教学的不断探索和改进，传统的英语阅读能力概念正在逐渐被英语阅读素养这一新的概念所取代，英语阅读素养不单单是指英语阅读能力，更是一种可以增长的知识、技能和策略相结合的能力，现如今对于学生英语阅读素养的评价大多仅通过英语阅读理解答题正确率对英语阅读能力进行评价，评价标准过于单一，没有考虑到学生的英语拼读能力、英文阅读流畅度、英文文献或文本的阅读频率以及英文文献或文本的阅读量对于学生英语阅读素养的影响，同时现有的评价方法缺少对学生英语阅读策略的具体意见反馈，评价结果指导意义不强。
公开号CN109523194B公开了一种汉语阅读能力测评方法，包括：获取用户的用户信息，在测评题库中调用所述用户信息对应的初始测试题组，以供用户进行测试；根据测试结果计算用户的初始能力值，获取所述初始能力值对应的测评试卷，将所述测评试卷发送至用户所在终端，供用户进行测评，该方法仅仅通过测评试卷的答题正确率对学生英语阅读能力进行评价，评价标准过于单一，无法准确的对英语阅读素养进行评价，同时该方法缺少对学生英语阅读策略的具体意见反馈。
公开号CN113393141A公开了一种阅读能力的测评方法、装置以及设备，利用与阅读能力相关的多个测评维度进行被试的认知测评，并将脑结构特征作为被试的阅读能力的一个考虑因素，探究脑结构特征与每个测评维度之间的相关性，依此获得每个测评维度对于阅读能力的权重，并用所有测评维度的综合评价值来确定被试的阅读能力，然而该方法仅对英语阅读能力进行测评，无法准确的反映学生的英语阅读素养，同时该方法缺少对学生英语阅读策略的具体意见反馈。
发明内容
为了改善上述情况，本发明一种基于机器学习的英语阅读素养评价方法提供了一种利用机器学习算法从拼读能力、阅读流畅度、阅读理解答题正确率、阅读频率以及阅读量多个层面对学生的英语阅读素养进行更加精准的综合评价，同时通过评价对学生的阅读策略进行调整优化的评价方法。
本发明一种基于机器学习的英语阅读素养评价方法是这样实现的：本发明一种基于机器学习的英语阅读素养评价装置，包括学生终端和数据处理中心，所述学生终端与数据处理中心建立信号交互，所述学生终端带有录音及数据储存功能，用于收集学生的英语阅读素养数据和接收对英语阅读素养的评价反馈；
所述英语阅读素养数据包括英语文本阅读音频、英语阅读理解答案和英语文本阅读记录；
学生通过学生终端对英语文本进行阅读学习，并通过英语阅读理解试题进行评测；
所述学生终端通过录音功能对学生英语学习过程中的英语文本阅读音频进行收集，同时通过数据储存功能对学生英语学习过程中所做试题的英语阅读理解答案和阅读浏览过的英语文本阅读记录进行收集；
优选的，所述数据处理中心由数据特征提取模块、数据处理模块和英语阅读素养评价模块组成；
本发明一种基于机器学习的英语阅读素养评价方法，包括以下步骤：
（1）将收集的英语阅读素养数据作为训练样本，学生终端将训练样本发送至数据处理中心；
（2）数据处理中心的数据特征提取模块对接收的训练样本进行特征集提取；
优选的，所述训练样本中的英语文本阅读音频特征提取是通过英语文本阅读音频与英语文本阅读标准音频进行对比分析，得到英语文本阅读的拼读能力以及阅读流畅度特征；
优选的，所述训练样本中的英语阅读理解答案特征提取是通过英语阅读理解答案与英语阅读理解标准答案进行对比分析，得到英语阅读理解标准答案的阅读理解答题正确率特征；
优选的，所述训练样本中的英语文本阅读记录特征是通过对单位周期的英语文本阅读记录进行统计，得到英语文本阅读记录的平均阅读频率和阅读量特征；
（3）建立深度全卷积神经网络，通过数据处理模块将提取的特征集输入到深度全卷积神经网络进行训练，对多种特征所占的权重以及评价标准进行优化更新；
（4）通过英语阅读素养评价模块将待检测的英语阅读素养数据输入至训练好的深度全卷积神经网络，通过拼读能力、阅读流畅度、阅读频率、阅读量以及阅读理解答题正确率多种评价特征优化调整后的权重累计对待检测的英语阅读素养数据进行综合评价，并根据综合评价结果对学生英语阅读素养进行等级评级；
优选的，所述英语阅读素养等级分为初级、中级和高级三个等级；
（5）英语阅读素养评价模块跟据学生英语阅读素养的等级对学生的阅读内容、阅读计划进行相应的调整，优化阅读策略；
优选的，所述阅读内容分为初级、中级和高级三个难度等级，分别与英语阅读素养等级相对应；
优选的，所述阅读计划包括阅读量、阅读频率；
（6）数据处理中心将英语阅读素养的综合评价结果以及优化学生阅读策略的具体意见反馈传送至学生终端。
所述评价特征的特征权重算法具体描述如下：
（1）将5种评价特征依次编号为A1-A5，确定每个评价特征的相对重要程度，构建递阶层次结构模型和判断矩阵；
（2）将判断矩阵的每一列元素进行归一化处理，其元素的一般项为aij，其中aij表示判断矩阵第i行，第j列的元素；
（3）将各列归一化后的判断矩阵进行按行相加的操作，并进行归一化处理得到判断矩阵的特征向量W；
（4）通过判断矩阵以及特征向量计算得到判断矩阵的最大特征根其中(AmW)i表示向量AmW的第i个元素，m取[1，5]，Am代表相应编号的判断矩阵；
（5）对所述判断矩阵进行一致性检验得到各个评价特征的特征权重，CR＝CI/RI，其中CI表示一致性指标，RI表示随机一致性指标。
有益效果。
一、通过拼读能力、阅读流畅度、阅读理解答题正确率、阅读频率以及阅读量多个层面对学生的英语阅读素养进行更加精准的综合评价。
二、根据英语阅读素养的综合评价结果对学生的阅读内容、阅读计划进行调整，优化阅读策略。
三、利用机器学习算法对英语阅读素养进行评价，可以通过训练深度全卷积神经网络，不断的对算法进行优化更新，使得评价结果更加准确。
附图说明
图1为本发明一种基于机器学习的英语阅读素养评价方法的流程图；
图2为本发明一种基于机器学习的英语阅读素养评价方法中的评价特征的结构示意图。
具体实施方式：
本发明一种基于机器学习的英语阅读素养评价方法是这样实现的：包括学生终端和数据处理中心，所述学生终端与数据处理中心建立信号交互，所述学生终端带有录音及数据储存功能，用于收集学生的英语阅读素养数据和接收对英语阅读素养的评价反馈；
所述英语阅读素养数据包括英语文本阅读音频、英语阅读理解答案和英语文本阅读记录；
学生通过学生终端对英语文本进行阅读学习，并通过英语阅读理解试题进行评测；
所述学生终端通过录音功能对学生英语学习过程中的英语文本阅读音频进行收集，同时通过数据储存功能对学生英语学习过程中所做试题的英语阅读理解答案和阅读浏览过的英语文本阅读记录进行收集；
优选的，所述数据处理中心由数据特征提取模块、数据处理模块和英语阅读素养评价模块组成；
本发明一种基于机器学习的英语阅读素养评价方法，包括以下步骤：
（1）将收集的英语阅读素养数据作为训练样本，学生终端将训练样本发送至数据处理中心；
优选的，所述英语阅读素养数据包括英语文本阅读音频、英语阅读理解答案和英语文本阅读记录，由学生终端进行收集和存储；
（2）数据处理中心的数据特征提取模块对接收的训练样本进行特征集提取；
优选的，所述训练样本中的英语文本阅读音频特征提取是通过英语文本阅读音频与英语文本阅读标准音频进行对比分析，得到英语文本阅读的拼读能力以及阅读流畅度特征；
优选的，所述数据处理中心和英文文本阅读标准音频数据库建立数据交互，所述英文文本阅读标准音频由数据处理中心从英文文本阅读标准音频数据库中获取，包括单词标准发音，句子音调，阅读语速；
优选的，所述训练样本中的英语阅读理解答案特征提取是通过英语阅读理解答案与英语阅读理解标准答案进行对比分析，得到英语阅读理解标准答案的阅读理解答题正确率特征；
优选的，所述数据处理中心和英语阅读理解标准答案数据库建立数据交互，所述英语阅读理解标准答案由数据处理中心从英语阅读理解标准答案数据库中获取，用以判断学生的英语阅读理解答案的正误；
优选的，所述训练样本中的英语文本阅读记录特征是通过对单位周期的英语文本阅读记录进行统计，得到英语文本阅读记录的平均阅读频率和阅读量特征；
（3）建立深度全卷积神经网络，通过数据处理模块将提取的特征集输入到深度全卷积神经网络进行训练，对多种特征所占的权重以及评价标准进行优化更新；
（4）通过英语阅读素养评价模块将待检测的英语阅读素养数据输入至训练好的深度全卷积神经网络，通过拼读能力、阅读流畅度、阅读频率、阅读量以及阅读理解答题正确率多种评价特征优化调整后的权重累计对待检测的英语阅读素养数据进行综合评价，并根据综合评价结果对学生英语阅读素养进行等级评级；
优选的，所述深度全卷积神经网络在对待检测的英语阅读素养数据进行综合评价时，可利用待检测的英语阅读素养数据对深度全卷积神经网络进行进一步训练；
优选的，所述英语阅读素养等级分为初级、中级和高级三个等级；
（5）英语阅读素养评价模块跟据学生英语阅读素养的等级对学生的阅读内容、阅读计划进行相应的调整，优化阅读策略；
优选的，所述阅读内容分为初级、中级和高级三个难度等级，分别与英语阅读素养等级相对应；
优选的，所述阅读计划包括阅读量、阅读频率；
（6）数据处理中心将英语阅读素养的综合评价结果以及优化学生阅读策略的具体意见反馈传送至学生终端。
所述评价特征的特征权重算法具体描述如下：
（1）将5种评价特征依次编号为A1-A5，确定每个评价特征的相对重要程度，构建递阶层次结构模型和判断矩阵；
（2）将判断矩阵的每一列元素进行归一化处理，其元素的一般项为aij，其中aij表示判断矩阵第i行，第j列的元素；
（3）将各列归一化后的判断矩阵进行按行相加的操作，并进行归一化处理得到判断矩阵的特征向量W；
（4）通过判断矩阵以及特征向量计算得到判断矩阵的最大特征根其中(AmW)i表示向量AmW的第i个元素，m取[1，5]，Am代表相应编号的判断矩阵；
（5）对所述判断矩阵进行一致性检验得到各个评价特征的特征权重，CR＝CI/RI，其中CI表示一致性指标，RI表示随机一致性指标。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其他类似实施方案，本申请旨在涵盖本发明的任何变形用途或者适应性变化，这些变型或者用途，适用性变化，遵循本发明的一般性原理，并包括本发明未公开的本技术领域的公知常识或者惯用技术手段。
Claims (10)
1.一种基于机器学习的英语阅读素养评价方法，其特征在于：具体包括以下几个步骤：
（1）将收集的英语阅读素养数据作为训练样本，学生终端将训练样本发送至数据处理中心；
（2）数据处理中心的数据特征提取模块对接收的训练样本进行特征集提取；
（3）建立深度全卷积神经网络，通过数据处理模块将提取的特征集输入到深度全卷积神经网络进行训练，对多种特征所占的权重以及评价标准进行优化更新；
（4）通过英语阅读素养评价模块将待检测的英语阅读素养数据输入至训练好的深度全卷积神经网络，通过拼读能力、阅读流畅度、阅读频率、阅读量以及阅读理解答题正确率多种评价特征优化调整后的权重累计对待检测的英语阅读素养数据进行综合评价，并根据综合评价结果对学生英语阅读素养进行等级评级；
（5）英语阅读素养评价模块跟据学生英语阅读素养的等级对学生的阅读内容、阅读计划进行相应的调整，优化阅读策略；
（6）数据处理中心将英语阅读素养的综合评价结果以及优化学生阅读策略的具体意见反馈传送至学生终端。
2.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述训练样本中的英语文本阅读音频特征提取是通过英语文本阅读音频与英语文本阅读标准音频进行对比分析，得到英语文本阅读的拼读能力以及阅读流畅度特征。
3.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述英语阅读素养等级分为初级、中级和高级三个等级。
4.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述训练样本中的英语阅读理解答案特征提取是通过英语阅读理解答案与英语阅读理解标准答案进行对比分析，得到英语阅读理解标准答案的阅读理解答题正确率特征。
5.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述训练样本中的英语文本阅读记录特征是通过对单位周期的英语文本阅读记录进行统计，得到英语文本阅读记录的平均阅读频率和阅读量特征。
6.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述阅读内容分为初级、中级和高级三个难度等级，分别与英语阅读素养等级相对应。
7.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述阅读计划包括阅读量、阅读频率。
8.根据权利要求1所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述评价特征的特征权重算法具体描述如下：
（1）将5种评价特征依次编号为A1-A5，确定每个评价特征的相对重要程度，构建递阶层次结构模型和判断矩阵；
（2）将判断矩阵的每一列元素进行归一化处理，其元素的一般项为aij，其中aij表示判断矩阵第i行，第j列的元素；
（3）将各列归一化后的判断矩阵进行按行相加的操作，并进行归一化处理得到判断矩阵的特征向量W；
（4）通过判断矩阵以及特征向量计算得到判断矩阵的最大特征根其中(AmW)i表示向量AmW的第i个元素，m取[1，5]，Am代表相应编号的判断矩阵；
（5）对所述判断矩阵进行一致性检验得到各个评价特征的特征权重，CR＝CI/RI，其中CI表示一致性指标，RI表示随机一致性指标。
9.一种基于机器学习的英语阅读素养评价装置，其特征在于包括学生终端和数据处理中心，所述学生终端与数据处理中心建立信号交互，所述学生终端带有录音及数据储存功能，用于收集学生的英语阅读素养数据和接收对英语阅读素养的评价反馈；所述英语阅读素养数据包括英语文本阅读音频、英语阅读理解答案和英语文本阅读记录；学生通过学生终端对英语文本进行阅读学习，并通过英语阅读理解试题进行评测；所述学生终端通过录音功能对学生英语学习过程中的英语文本阅读音频进行收集，同时通过数据储存功能对学生英语学习过程中所做试题的英语阅读理解答案和阅读浏览过的英语文本阅读记录进行收集。
10.根据权利要求9所述的一种基于机器学习的英语阅读素养评价方法，其特征在于所述数据处理中心由数据特征提取模块、数据处理模块和英语阅读素养评价模块组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210536839.1A CN114897077A (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器学习的英语阅读素养评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210536839.1A CN114897077A (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器学习的英语阅读素养评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897077A true CN114897077A (zh) | 2022-08-12 |
Family
ID=82723901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210536839.1A Pending CN114897077A (zh) | 2022-05-18 | 2022-05-18 | 一种基于机器学习的英语阅读素养评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897077A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228044A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于神经网络和随机森林的数学核心素养评估方法和系统 |
| CN117391902A (zh) * | 2023-12-13 | 2024-01-12 | 北京师范大学珠海校区 | 基于大语言模型的语文核心素养教育的评价方法和装置 |
-
2022
- 2022-05-18 CN CN202210536839.1A patent/CN114897077A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116228044A (zh) * | 2023-05-08 | 2023-06-06 | 华南师范大学 | 基于神经网络和随机森林的数学核心素养评估方法和系统 |
| CN117391902A (zh) * | 2023-12-13 | 2024-01-12 | 北京师范大学珠海校区 | 基于大语言模型的语文核心素养教育的评价方法和装置 |
| CN117391902B (zh) * | 2023-12-13 | 2024-04-26 | 北京师范大学珠海校区 | 基于大语言模型的语文核心素养教育的评价方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| CN110443427B (zh) | 基于认知知识谱的成绩预测方法及其系统 | |
| KR100747141B1 (ko) | 테스트시스템, 테스트시스템 제어방법 및 그 제어방법을 실행하는 컴퓨터 프로그램을 기억하는 기억매체 | |
| CN114897077A (zh) | 一种基于机器学习的英语阅读素养评价方法 | |
| CN107657559A (zh) | 一种中文阅读能力测评方法及系统 | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN112508334A (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
| CN113571158B (zh) | 一种智慧智能ai智能心理健康检测与分析测评方法 | |
| CN110543995A (zh) | 一种基于模糊算法的学生认知水平的测试评定系统 | |
| CN111460101A (zh) | 知识点类型的识别方法、装置及处理器 | |
| CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
| CN112364123A (zh) | 一种题库自动组题及难易度实时更新方法 | |
| CN117149979A (zh) | 一种贷前智能问答及评审模块的构建方法及装置 | |
| CN112598944B (zh) | 一种智能型英语教学系统 | |
| CN114662779A (zh) | 一种基于学生画像的编程成绩预测方法与系统 | |
| CN111612659B (zh) | 一种在线财会考试自动评分系统及评分方法 | |
| CN117079504B (zh) | 一种大数据精准教学批阅系统的错题数据管理方法 | |
| CN111612324B (zh) | 一种基于英语口语考试的多维度评估方法 | |
| CN113516879B (zh) | 小学生识字量测验方法及装置 | |
| CN111915227B (zh) | 一种教学评价数据分析方法 | |
| CN111915225B (zh) | 一种教学评价数据处理方法 | |
| CN117540108B (zh) | 基于考点数据分布式总结的智能推荐答题系统 | |
| CN114547154B (zh) | 一种智能交互式英语训练方法、系统及计算机可读介质 | |
| Nicol | Designing research on literary response | |
| CN116663988A (zh) | 一种通用教师胜任力和特定教师胜任力的评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |