通过卷积神经网络模型和深度学习对大学体育舞蹈的教学质量评估的分析

科学领域:

• 教育技术的教育技术.
• 教育中的人工智能
• 舞蹈教学的教学方法

背景情况:

• 传统的体育舞蹈教育质量评估往往受到主观性和不一致的标准的影响.
• 现有的方法缺乏定量严谨性,阻碍客观评估和有针对性的改进.
• 需要创新的方法来提高舞蹈教育质量的评估.

研究的目的:

• 开发和评估大学体育舞蹈教育的新型教学质量评估 (TQE) 模型.
• 应用深度学习,特别是一维卷积神经网络 (1D-CNN),用于定量评估舞蹈教育质量.
• 通过引入客观性和一致性来解决传统评估方法的局限性.

主要方法:

• 构建一个具有24个评估指标的全面TQE系统.
• 实施1D-CNN模型来处理一维评估数据,通过卷积和聚合层提取特征.
• 在1D-CNN框架内使用完全连接的层次来对教学质量进行分类.

主要成果:

• 1D-CNN TQE模型在150次代后实现了收,平均平方误差 (MSE) 低,为0.0015 (训练) 和0.0216 (验证).
• 该TQE模型在反向传播神经网络上表现出卓越的性能,这可以通过在训练,验证和测试集中较低的MSE和更高的R2值来证明.
• 该模型表现出强大的稳定性,参数灵敏度弹性,多场景适应性和长期学习能力.

结论:

• 基于1D-CNN的TQE模型为评估大学体育舞蹈教育质量提供了一种新,有效和定量方法.
• 该研究为改善舞蹈教学和提高学生满意度提供了科学基础和实际指导.
• 这些发现支持将深度学习纳入教育质量评估,以进行客观可靠的评估.