12、英语学习网站内容与用户界面功能的综合质量评估

英语学习网站内容与用户界面功能的综合质量评估

1. 引言

随着数字时代的到来和教育技术的广泛应用,在线学习在高等教育中展现出巨大优势。然而,当前众多英语学习网站在管理和质量上缺乏标准化,大量学习材料也给选择合适内容带来挑战。为提升用户学习质量,需要从用户角度获取持续反馈。

在质量评估领域,Kano 模型和 Importance - Satisfaction 模型(I - S 模型)是常用工具。Kano 模型可对质量属性进行分类,I - S 模型能找出需改进的属性。将二者结合应用于英语学习网站质量评估,有望为网站设计提供有价值信息。

本研究旨在通过用户反馈信息,探讨综合质量评估方法在英语学习网站质量评估中的适用性,具体目标如下:
1. 考察学生对基于网络的在线英语学习的看法。
2. 对有吸引力的学习内容进行分类。
3. 确定需要立即改进的界面功能。

2. 研究方法
2.1 研究对象与样本

研究对象为 2010 年春季学期台湾北部某大学的所有新生。采用整群抽样法,从六个不同学院随机选取六个班级,共 219 名新生参与调查。

2.2 网站使用情况

所有参与学生在 2010 年春季学期的 18 周内每周使用在线英语网站。网站学习内容分为五个主题单元,包括日常生活、生活环境、交通、娱乐以及节假日,共 52 个不同主题。学生每周随机学习两个课程,共学习 36 个课程。同时,学生需使用词汇、图片、发音、相关短语、对话练习、俚语、习语和测试这八个界面功能进行学习,并且每周会进行课堂小测验以强化对这些功能的使用。

2.3 研究工具 </
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值