优化基于人工神经网络的大学教师跨学科能力发展方法

科学领域:

• 高等教育研究 高等教育研究
• 教育技术的教育技术
• 教育中的人工智能

背景情况:

• 跨学科能力对于大学教师推动教育创新和知识整合至关重要.
• 开发有效的教师发展机制需要精确识别和优化能力途径.
• 现有的方法可能缺乏对能力发展中的复杂,非线性关系的预测能力.

研究的目的:

• 提出和验证基于人工神经网络 (ANN) 的建模框架,以识别和优化大学教师的跨学科能力途径.
• 量化建模和预测各种因素对跨学科能力的影响.
• 为设计有针对性的教师发展计划提供经验证据和方法论支持.

主要方法:

• 利用多层感知器 (MLP),一种人工神经网络,用于定量建模和非线性预测.
• 评估了14个影响跨学科能力的因素.
• 将MLP性能与一维卷积神经网络 (1D-CNN) 和决策树模型进行比较,使用平均平方误差 (MSE),平均绝对误差 (MAE) 和R平方 (R2) 等指标.

主要成果:

• 该MLP模型显示出优异的预测准确性,测试组MSE为0.276 (4.5%低于1D-CNN),MAE减少了2.11%.
• MLP实现了高的合适度 (R2 = 0.843),明显优于1D-CNN (0.96%更高) 和决策树 (24.24%更高).
• "高"和"低"能力水平的分类准确率分别为84.09%和82.35%,整体平均准确率为79.34%.

结论:

• 人工神经网络,特别是MLP,为建模和预测教师跨学科能力提供了强大的框架.
• 认知灵活性是低能力群体的关键,而外部资源和内部动机推动了更高的能力水平.
• 一个平行进步战略涉及认知激活,课程整合,和机构赋权是建议在教师发展系统性转型.