使用模糊和深度学习技术评估大学和大学教学效果的影响因素

科学领域:

• 教育技术的教育技术
• 教育中的人工智能
• 高等教育教学的教学.

背景情况:

• 有效的教学对于学生的成功和高等教育机构的表现至关重要.
• 当前的评估方法与评估教学有效性的复杂性和不确定性作斗争.
• 需要先进的方法来分析影响教学有效性的多个因素.

研究的目的:

• 开发和评估混合模糊逻辑和深度学习模型,以评估高等教育中的教学效率.
• 解决教育数据中固有的不确定性和模糊性,以便进行更精确的评估.
• 用数据驱动方法确定影响教学成功的关键因素.

主要方法:

• 利用深度学习方法分析输入因素和教学成功之间的相关性.
• 集成的模糊逻辑来管理教育数据集中的数据不确定性和模糊性.
• 雇佣的变量包括学生对教师的比例,学业成绩和教师的专业知识.

主要成果:

• 拟议的模糊深度学习 (FDL) 模型在预测教学绩效方面取得了97.89%的准确性.
• 在预测准确度方面表现优于TLDL,SEM-ANN和常规ANN等传统模型.
• 经过证明的稳定性,准确率为86.6%,回忆率为75%,F1分数>80%,错误率为10.4%.

结论:

• 结合模糊逻辑和深度学习,可以显著提高教学效率的预测.
• FDL技术为分析复杂的教育数据提供了一个强大而可靠的工具.
• 这种方法为教育机构提供了有价值的见解,以评估和改善教学成果.