建立基于BP神经网络的大学音乐在线课堂教学质量评估系统

科学领域:

• 教育技术的教育技术
• 教育中的人工智能
• 音乐教学 音乐教学

背景情况:

• 传统的教学质量评估方法存在主观性问题,难以量化非线性教学元素.
• 需要客观和数据驱动的方法来评估在线教育,特别是在音乐等专业领域.

研究的目的:

• 提出和验证一个改进的BP神经网络 (BPNN) 模型来评估在线大学音乐教学质量.
• 整合多维教学数据,以便进行更全面,更准确的评估.

主要方法:

• 开发了一种改进的BPNN模型,具有双重隐藏层结构.
• 集成的多维数据,包括教师与学生的交互频率和资源利用.
• 在培训中采用动态学习速度和势头因子优化策略.
• 数据进行了预处理,标准化,并分为培训 (70%) 和测试 (30%) 组.
• 交叉验证确定了隐藏层节点的最佳数量 (25).

主要成果:

• BPNN模型实现了95.2%的预测准确性 (95% CI [93.7%, 96.4%]),比ID3算法有20.69%的改进.
• 平均绝对误差 (MAE) 减少到0.032.
• 该模型在捕捉诸如情感互动和教学内容创新 (F1值为0.93) 等复杂指标方面表现出卓越.
• 它在不同的教学平台上表现出稳定的概括能力 (标准偏差<1.5).
• 动态学习率策略提高了培训效率37%,避免了局部优化.

结论:

• 改进的BPNN模型有效地解决了评估在线音乐教学质量的传统方法的局限性.
• 该研究证实了神经网络在教育评估中的有效性,并为音乐教育的数字化转型提供了实际框架.
• 该模型扩展到跨学科在线教学场景的潜力凸显了它对更公平,更个性化的教育的贡献.