《Journal of Engineering Research》：A pedagogically-guided wavelet-enhanced autoencoder for intelligent assessment of english language teaching
编辑推荐：
从问卷数据评估英语语言教学需要一种能保留非线性响应模式同时保持教学构念相对重要性的表示。本研究提出了一种教学引导的小波增强自编码器用于教学效果评估。研究人员定义了一个加权重构目标函数，将25个问卷指标分配到7个教育领域，并将相关领域权重纳入重构目标。在编码器中
从问卷数据评估英语语言教学需要一种能保留非线性响应模式同时保持教学构念相对重要性的表示。本研究提出了一种教学引导的小波增强自编码器用于教学效果评估。研究人员定义了一个加权重构目标函数，将25个问卷指标分配到7个教育领域，并将相关领域权重纳入重构目标。在编码器中，研究人员评估了Morlet和Ricker小波激活函数，并通过深度神经网络（DNN）和径向基函数（RBF）预测器分析学习到的瓶颈表示。评估基于1000个分析记录，采用十折训练/验证/测试协议（80:10:10特征划分）。最佳DNN配置（256个隐藏单元）获得了0.970的AUC（曲线下面积）、0.953的准确率、0.948的敏感性和0.956的特异性。该框架建立了教学优先性与表示学习之间的明确联系，但当前工作的证据基于单一机构背景下收集的问卷数据，需在外部环境中验证其适用性。
**论文解读文章：基于教学引导小波增强自编码器的英语语言教学智能评估**
**研究背景与问题**
英语语言教学（ELT）评估是确保教学有效性的关键环节，尤其在听、说等动态、情境依赖和多模态技能的评价中，传统方法依赖主观判断、自评或标准化测试，难以捕捉真实交际能力的复杂性。现有计算模型多侧重于预测精度或自动评分，而忽略了学习表示的教育意义。小波增强自编码器虽能提供局部多尺度基函数和紧凑表示，但其重构目标通常对所有输入变量赋予同等重要性，这在基于问卷的教学评估中存在问题，因为指标代表不等教学重要性的构念。因此，亟需一种将明确教学优先级与多尺度表示学习结合起来的评估框架。
**研究目的与贡献**
本研究旨在提出一种教学引导的小波增强自编码器（DEEP-WA），将基于七部分评估指标的固定领域权重引入自编码器重构目标，使各教学领域的误差贡献度与学习表示直接关联，同时利用Morlet或Ricker小波激活函数建模问卷特征的非线性模式。该成果发表在《Journal of Engineering Research》。
**主要关键技术方法**
研究人员采用以下关键技术：1）**教学引导加权重构**：将25个问卷指标分配到7个教育领域，基于领域权重定义加权重构目标函数；2）**小波增强编码器**：在编码器中使用Morlet和Ricker小波激活函数，学习多尺度瓶颈表示；3）**下游分类器**：使用深度神经网络（DNN）和径向基函数（RBF）网络对学习到的表示进行分类。样本来源为伊朗伊玛目霍梅尼海军科学大学（Nowshahr）的本科学生，共收集1350份问卷，经筛选后1000份有效记录用于分析，采用十折交叉验证（80:10:10划分）。
**研究结果**
**• 母小波函数选择**
通过比较Morlet和Ricker小波在不同方向下的表现，Morlet小波（α=π/2）在DNN和RBF分类器上均获得最高测试准确率（99.55%和98.67%），优于Ricker小波。
**• 重构误差分析**
比较不同母小波函数的均方误差（MSE），Morlet函数（α=π/2）具有最小的重构误差，验证了其在表示学习中的优越性。
**• 评估结果**
研究分析了输入节点数（10、20、25特征）和隐藏节点数对AUC的影响。DNN和RBF模型均随隐藏节点和输入特征数增加而性能提升，但存在边际递减效应。最佳配置为DNN（256隐藏节点），在25特征下达到AUC=0.970、准确率=0.953、敏感性=0.948、特异性=0.956。
**• 计算效率分析**
DEEP-WA+DNN的FLOPs为131.6K，训练时间41.9秒，推理时间0.49毫秒/样本，虽高于传统自编码器，但额外计算集中在离线训练，不影响交互式应用。
**• 消融研究**
单独移除教学引导或小波变换均导致性能下降。完整DEEP-WA（含两者）的准确率94.21%、F1-score 93.62%、AUC 96.47%，证明两者互补：小波变换提供灵活表示，教学引导基于领域特征相关性约束表示。
**• 潜在空间分析**
通过UMAP投影显示，学习到的瓶颈表示在类别间存在重叠但可分离，且不同折的样本均匀分布，表明表示稳定且跨折一致，无过拟合信号。
**讨论部分总结**
本研究对比了RBF和DNN网络，采用Bergstra定理指导随机搜索优化超参数。Morlet小波因更高精度被选为母小波。研究强调了特征选择和降维的重要性，DNN（256节点）表现最佳。但需注意：分析样本仅来自单一机构，基于自评问卷，外部有效性未经跨机构、课程或学习者群体验证；教学权重固定，可能不适用于其他评估优先级的环境；实验仅基于表格化问卷指标，未涉及多模态融合。未来研究应包含预注册外部验证、领域权重敏感性分析、校准及亚组公平性评估。
**结论部分翻译**
总之，本研究回应了开发全面可靠方法评估英语听力和口语教学效果的迫切需求。通过利用先进深度学习和自适应优化算法，研究人员创建了新的评估机制，用于深入分析教学质量。大量实验证明该设计在提高预测精度和收敛行为方面有效。该方法为教师改进教学策略提供了有益启示。研究人员设计并应用了复杂的评估算法，通过大学学生真实数据进行广泛测试。模型通过测量教学清晰度、多媒体使用、学生参与度和问题解决能力等多个因素，提供了比传统仅用考试更全面的教学质量画像。研究结果对英语语言教学发展具有重要作用，为教师提供了有效且广泛的测量工具。该模型是使用深度学习和自适应优化技术解决英语教学评估复杂问题的先进方案。未来研究可在其他学习环境和学生群体中测试和完善该评估系统，并探索集成自然语言处理和情感分析等新技术，以提升对学生-教师互动和课堂动态的评估能力。当前框架不限于特定语言或问卷形式，当为目标任务定义指标结构后，可适用于课程评估、学生参与度评估、形成性反馈或项目级质量监控。转移需三个任务特定步骤：重新定义教学领域、获取合理的领域权重，以及在本地数据上重新训练表示和预测器。由于本研究未涉及外部数据集或机构，此类推广应视为泛化假设。
