基于改进YOLOv8和因子分析的实验教学评价模型设计

© 2025 by the Author(s). Licensee Art and Technology, USA. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution -Noncommercial 4.0 International License (CC BY-NC 4.0) ( https://creativecommons.org/licenses/by-nc/4.0/ )

Download PDF

Cite

XML

HTML

Abstract

针对传统实验教学评价的局限性，本文以某学院实验教学数据为基础，构建融合改进 YOLOv8 与因子分析的评价模型。改进 YOLOv8 通过加入 CBAM 注意力机制和 SPD-Conv 模块，提升异常行为检测性能（准确率 92.5%、召回率 90.2%、F1 分数 91.3%）；因子分析提取 4 个关键公因子（累积方差解释率 65.112%），明确核心影响因素，计算综合得分确定最优教学案例。模型实现实验教学智能化、多维度评价，为质量提升提供依据。

Keywords

实验教学评价

YOLOv8

CBAM 注意力机制

SPD-Conv 模块

因子分析

学生参与度

References

[1] 吕伏, 傅宇恒, 贺丽娜, 等. 三维多层次特征协同的无人机遥感目标检测算法 [J]. 计算机科学与探索,2024, 18 (5): 1302-1314.
[2] 网络信息与数据服务中心（东北电力大学信息化办公室）. 干货分享 | 35 个 AI 赋能教育的应用场景 [EB/OL]. 2025-04-29.
[3] 李明华, 王丽娟. 高中生物实验操作教学增值性评价与人工智能技术的融合创新教学研究 [R]. 北京：原创力文档,2025.
[4] 陈晓峰, 赵文静. 基于融合注意力机制和改进 YOLOv8 算法的学生课堂行为识别应用研究 [J]. 计算机工程与应用,2025, 61 (17): 234-241.
[5] 刘思远, 陈梦琪. 绩效考核新视角：基于因子分析的高校公共基础课教师评价体系探索 [R]. 上海：教育科学研究出版社,2025.
[6] 张宇, 陈志刚. 助力打造智慧数字课堂：基于 YOLOv8 全系列模型的教学场景行为检测系统 [J]. 信息技术与教育应用,2024, 8 (2): 45-53.

Previous article in this issue

Next article in this issue