Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Sieve Analysis and Grading Curves01:19

Sieve Analysis and Grading Curves

519
Sieve analysis is a method used to determine the particle size distribution of aggregate materials. This process involves the following steps:
519
Classification of Systems-I01:26

Classification of Systems-I

294
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
294
Aggregates Classification01:29

Aggregates Classification

380
Aggregate classification is generally based on its size, petrographic characteristics, weight, and source. Size classification ranges from coarse to fine aggregates, defined by the size of the particles. Coarse aggregates are particles that do not pass through ASTM sieve No. 4, and aggregates that pass through the sieve are fine aggregates.
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
380
Classification of Systems-II01:31

Classification of Systems-II

240
Continuous-time systems have continuous input and output signals, with time measured continuously. These systems are generally defined by differential or algebraic equations. For instance, in an RC circuit, the relationship between input and output voltage is expressed through a differential equation derived from Ohm's law and the capacitor relation,
240
Classification of Signals01:30

Classification of Signals

878
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
878
Cognitive Learning01:21

Cognitive Learning

516
Cognitive learning is based on purposive behavior, incidental learning, and insight learning.
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
516

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Seaming the Bioelectronic Interface: Mechanisms, Strategies, and Validation Standards for Durable Poly(3,4-ethylenedioxythiophene)-Based Coating Adhesion.

ACS nano·2026
Same author

Electrically Active Polymer Micro/Nanofibers via Electrospinning/Electrowriting for Sensing and Biomedical Applications.

ACS applied materials & interfaces·2026
Same author

A natural COX-2 inhibitor-integrated nanoplatform for TNBC immunotherapy: Mn-PC-PTX synergizes chemotherapy and immune activation.

Colloids and surfaces. B, Biointerfaces·2026
Same author

FAT4 restrains epithelial-mesenchymal transition and metastasis in cervical cancer and shapes the tumor immune microenvironment.

Journal of translational medicine·2026
Same author

Dynamic neuronal ensembles encode burst-suppression revealed by cortex-wide optical-electrical interfaces.

Nature communications·2026
Same author

Soft robotic cardiac sleeves: materials, actuation mechanisms and translational pathways.

Materials horizons·2026
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 9, 2025

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K

Aplicación de la red convolucional de gráficos de inteligencia artificial en la evaluación de calificaciones en el

Shuying Wu1

  • 1Liyuan Foreign Language Primary School in Futian District, Shenzhen, 518000, China. wushuying1234@126.com.

Scientific reports
|September 1, 2025
PubMed
Resumen

Este estudio introduce un modelo de red convolucional de gráficos (GCN) para la evaluación del rendimiento en el aula, mejorando la objetividad y la precisión con respecto a los métodos tradicionales. El modelo utiliza efectivamente las relaciones sociales de los estudiantes para una mejor evaluación educativa.

Palabras clave:
Evaluación del rendimiento en el aulaMinería de datos educativosGráfico de la red convolucionalEvaluación inteligente de la educación

Más Videos Relacionados

Artificial Intelligence Approaches to Assessing Primary Cilia
08:58

Artificial Intelligence Approaches to Assessing Primary Cilia

Published on: May 1, 2021

3.7K
Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
07:47

Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification

Published on: February 14, 2018

11.4K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K
Artificial Intelligence Approaches to Assessing Primary Cilia
08:58

Artificial Intelligence Approaches to Assessing Primary Cilia

Published on: May 1, 2021

3.7K
Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
07:47

Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification

Published on: February 14, 2018

11.4K

Área de la Ciencia:

  • Tecnología educativa
  • Inteligencia artificial
  • Ciencia de los datos

Sus antecedentes:

  • La calificación tradicional en el aula sufre de subjetividad y alcance limitado, y no logra capturar el verdadero estado de aprendizaje de los estudiantes.
  • Los métodos de análisis de datos educativos existentes a menudo pasan por alto el impacto de las interacciones sociales en el rendimiento académico.

Objetivo del estudio:

  • Desarrollar un modelo objetivo y preciso de evaluación del rendimiento en el aula utilizando redes convolucionales de gráficos (GCN).
  • Aprovechar las relaciones sociales de los estudiantes dentro de un gráfico de interacción para mejorar la evaluación educativa.
  • Proporcionar un nuevo enfoque técnico para sistemas inteligentes y dinámicos de evaluación de calificaciones en el aula.

Principales métodos:

  • Construyó un gráfico de relaciones de interacción entre los estudiantes, integrando atributos individuales y conexiones sociales.
  • Técnicas de red neuronal de gráficos aplicados (GNN), específicamente GCN, para analizar datos educativos de múltiples fuentes.
  • Diseñó un modelo de arquitectura y proceso de formación del GCN adaptado a los escenarios de evaluación educativa.

Principales resultados:

  • El modelo GCN propuesto superó significativamente los métodos tradicionales de aprendizaje automático en una tarea de predicción de rendimiento en el aula de cuatro clases.
  • Los experimentos de ablación confirmaron el papel crítico de la información de las relaciones sociales en la mejora de la precisión de la predicción.
  • El análisis comparativo validó la efectividad de diferentes estrategias de construcción de gráficos.

Conclusiones:

  • Las redes convolucionales de gráficos ofrecen una herramienta poderosa para una evaluación educativa objetiva y precisa.
  • La integración del análisis de las redes sociales en los modelos GNN mejora la predicción del rendimiento de los estudiantes.
  • Esta investigación amplía la aplicación de GNN en la minería de datos educativos y allana el camino para sistemas de evaluación más inteligentes.