基于数字技术视角的视觉传达设计教学分析
Teaching Analysis for Visual Communication Design with the Perspective of Digital Technology
Qian Sun, Ying‐Jie Zhu
Computational and Mathematical Methods in Medicine · 2022-07-19
开放获取艺术理论被引 12影响因子 ≈0.0
摘要
当代视觉文化的转型推动了视觉传达设计教育的内涵与范畴拓展，催生了新的艺术观念与形式，也引发了学科教育体系的深刻变革。得益于数字技术的迅猛发展，视觉传达设计教学如今拥有了更为优越的教学环境与操作平台。未来，数字技术有望突破传统学习方式，更广泛地融入视觉传达设计课程之中。在视觉传达设计教育的改革与发展过程中，如何构建更加公平、包容的高等艺术教育学科体系，是一个亟待解决与探索的课题。因此，设计完善的视觉传达设计教学评价体系显得尤为重要。本文将数据智能技术应用于教学质量评价系统，最终构建了科学可靠的教学质量评价模型。本文的主要工作如下：（1）分析教学质量评价研究的背景与意义，系统阐述国内外关于教学质量评价、遗传算法及神经网络的研究现状。（2）采用自适应变异进化方法，构建了针对视觉传达设计课程的教学质量评价系统，并建立了BP神经网络模型。实验表明，该自适应变异遗传算法的收敛速度显著快于常规遗传算法，优化后的神经网络性能更优，所建模型不仅收敛时间更短，预测精度也更高。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 数字技术的快速发展拓展了视觉传达设计教育的内涵与边界，为其提供了更优越的教学环境与操作平台，并有望突破传统学习模式。在视觉传达设计教育改革中，构建公平包容的学科体系至关重要，而建立完整的教学评价体系则是其中的关键环节。将人工智能技术应用于该评价体系，能够有效实现教学质量的科学评估。
- 研究方法
- 研究首先系统梳理了教学质量评价、遗传算法及神经网络的国内外研究现状。随后，采用自适应变异进化方法构建了视觉传达设计课程的教学质量评价系统，并生成了BP神经网络模型。该方法通过自适应变异遗传算法优化神经网络，以提升模型的收敛速度与预测精度。
- 学术贡献
- 本研究将人工智能技术引入视觉传达设计的教学质量评价中，为该领域的教育改革提供了科学可靠的评价模型。研究证实，自适应变异遗传算法较常规算法具有更快的收敛速度，且优化后的BP神经网络在性能、收敛时间及预测精度上均表现更优，提升了评价体系的有效性。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Digital Media and Visual Art