魯小艷

關(guān)鍵詞：集群計算;藝術(shù)學專業(yè);教學實踐;動態(tài)評估

中國藝術(shù)學專業(yè)的建設興盛于20世紀末和21世紀初，高校競相開設藝術(shù)學專業(yè)，辦學規(guī)模不斷擴大，迅速成為高等教育領(lǐng)域的重要新課題。但是，從近年就業(yè)情況來看，教學質(zhì)量并不樂觀。一方面，數(shù)字電影產(chǎn)業(yè)的發(fā)展每年約遞增200萬，影視人才市場的需求遠遠不能滿足。另一方面，相當數(shù)量的影視專業(yè)畢業(yè)生達不到就業(yè)單位的實踐要求，找不到相對應的專業(yè)職位。因此，影視專業(yè)學生的就業(yè)差距較大，畢業(yè)生的就業(yè)率持續(xù)下降是不可否認的事實，高校培養(yǎng)學生的實踐能力迫在眉睫。

高校只有積極對接下游用人單位的需求，及時更新藝術(shù)學科人才培養(yǎng)目方案，才能達到育人目標。優(yōu)化藝術(shù)學人才培養(yǎng)計劃的聚焦點應落在藝術(shù)學培養(yǎng)方案實踐環(huán)節(jié)的效果上，學生是否能將課堂學習的理論知識熟練運用在實踐操作中，畢業(yè)后無縫對接就業(yè)崗位。集群計算方法動態(tài)評估學生實踐技能，全面評估教過效果的同時，搭建藝術(shù)學專業(yè)自具特色的教學實踐平臺。

一、基于動態(tài)評價的藝術(shù)學專業(yè)教學實踐

動態(tài)優(yōu)化教學評估技術(shù)結(jié)合了動態(tài)優(yōu)化技術(shù)與動態(tài)二進制評估技術(shù)，可以作為一種獨立的代碼優(yōu)化技術(shù)，也可以組合二進制評估系統(tǒng)進行使用。采取動態(tài)集群計算的方法對藝術(shù)學專業(yè)教學進行評價，可以有效地在應用程序運行時收集和分析程序的信息，并合理優(yōu)化教學內(nèi)容。需要強調(diào)的是，藝術(shù)學專業(yè)教學的動態(tài)評價應考慮正確性和有效性。

在移植不同平臺二進制代碼時，首先是要確保評估的正確性，使評估的代碼等同于源代碼。同時，需要通過優(yōu)化高質(zhì)量目標代碼的生成來補償教學評估帶來的運行時間開銷，因此動態(tài)優(yōu)化成為動態(tài)二進制評估中必不可少的環(huán)節(jié)。具體內(nèi)容如圖1所示：

在藝術(shù)學專業(yè)教學評估過程中，如果跳轉(zhuǎn)的目標地址為addressl，則以0表示;如果跳轉(zhuǎn)的目的地址是地址2，則用1表示。采用上述編碼方法，每條路徑唯一對應一個代碼字，如表1所示。

圖2表明（B，D）與（C，D）之間僅存在一個跳轉(zhuǎn)地址，因此無需對其進行編碼就可以有效地縮短代碼的長度。上文定義的編碼方法僅用于條件跳轉(zhuǎn)，并且碼字的每個位都對應一個分支。如果這些分支由二叉樹表示，則從根節(jié)點到葉節(jié)點的每條路徑都對應于從循環(huán)入口到出口的路徑，如圖2所示。假設該路徑的平均長度為k，則就是說，二叉樹的高度是k，那么不同路徑的數(shù)量大約是2k，它將隨著路徑的長度呈指數(shù)增長。當k大時，不可能為每個路徑設置計數(shù)器以找到熱路徑。傳統(tǒng)NET預測算法通過路徑頭信息來預測熱路徑，該算法可以減少長度，延遲預測，但是存在一些盲目性，制造了大量生成熱路徑額外的工作。

二、基于集群計算的藝術(shù)專業(yè)教學實踐評估步驟

在集群計算的背景下，這里解釋了評估藝術(shù)學教學實踐的步驟，主要說明了該算法的具體應用。該算法被引入計算機，然后對教學指標進行排序和評估。在評估過程中，由于每個評估路徑唯一地對應一個碼字，因此初始評估索引可以定義為A，長度為k的路徑如下：

也就是說，評估指標可以唯一地表示為基本示教模塊和一系列0，1序列，其中0或1表示在循環(huán)入口和出口之間經(jīng)歷的基本示教模塊。同樣，教學評估指標的一部分可以定義如下：

它表示從循環(huán)中任何基本示教模塊B開始的長度為1的路徑。根據(jù)教學評估指標和教學模塊的概念，定義兩個教學評估指標的計算如下：

三、藝術(shù)學專業(yè)作品評價的具體算法

為了準確地制定教學指標，需要收集更詳細的教學信息。傳統(tǒng)的教法是分模塊收集并通過計數(shù)器進行留存執(zhí)行數(shù)據(jù)。這就要求收集的教學信息務必做到全面覆蓋，盡可能的獲取可能會成為熱代碼的教學模塊相關(guān)信息。優(yōu)化后的策略較好地控制了投入成本，只需要收集可能位于循環(huán)內(nèi)部的基本示教模塊的示教信息，使用二進制代碼方法與教學指標作一對一比對，并為每個教學指標配置一個計數(shù)器。當教學指標出現(xiàn)落差，將示教指示符的最大長度設為L，可以有效地防止程序在執(zhí)行序列時過長。

當一個教學指標的計數(shù)值遠大于同一周期內(nèi)其他教學指標的值時，稱為絕對熱教學指標，這類指標可直接優(yōu)化處理。但在循環(huán)中有更多分支時，平均將實現(xiàn)兩個或多個教學指標。這時，確定了相對熱的教學指標，其基本教學模塊是冷熱的，在熱代碼中添加優(yōu)化可減少不必要的開銷。為此，有必要在相對熱示教指標中確定熱段。熱門部分在教學指標中具有三個可能的位置。當熱點位于教學索引的兩端時，實現(xiàn)相對簡單。當熱區(qū)位于教學索引的中間時，實現(xiàn)會更加復雜。但是，由于這種情況相對于其他兩種情況較低，因此將不考慮這種情況。在實際應用中，大多數(shù)熱線段位于教學指示器的頭部，并且最容易識別該熱線段，這是主要考慮因素。為了找到熱點，按照高位分別對與同一周期內(nèi)兩次執(zhí)行次數(shù)最多的示教索引相對應的代碼字進行排序，結(jié)果代碼字中與0對應的段為候選熱門片段。當候選熱點與原始教學指標中的第一個基礎教學模塊相同時，可以確認為熱點。

假設有p（A，7）=（A，0110010），p（A，6）=（A，011110）兩個相對高頻率教學指標，通過對齊高位置的結(jié)果是：0110010^011110=000111，因此將前三個基本教學模塊的順序確定為熱點。由于熱區(qū)的長度通常較短，因此將幾個基本教學模塊可以組合，命名為超級教學模塊，由多個教學指標共享，具有一個入口和多個出口是其基本屬性。如圖3所示，箭頭上的數(shù)字表示發(fā)生跳躍的次數(shù)。同時，由于A，B，D和F的頻繁執(zhí)行，進而組合為一個超級示教模塊。試著將此套程序在超級教學模塊中運行，則不會通過調(diào)度程序搜索下一個基本教學模塊，從而減少了上下文切換次數(shù)。生成超級教學模塊時，首先從第一個教學模塊開始，然后插入下一個教學模塊的代碼。如果當前示教模塊最終沒有片段跳轉(zhuǎn)，則刪除該跳轉(zhuǎn)指令，然后直接插入下一個示教模塊的指令。否則，將保留失敗的退出地址，并插入下一個示教模塊的指令，直到所有熱段上的基本示教模塊合并為一個超級示教模塊為止。

教學實踐在高校教學培養(yǎng)方案中占有極大比重，尤其是根據(jù)藝術(shù)學獨特的學科特性，實踐教學環(huán)節(jié)可以有效培養(yǎng)學生創(chuàng)新意識，促進教學質(zhì)量的高效發(fā)展，并在一定程度上檢驗教學成果的優(yōu)劣，啟發(fā)教師不斷進行教學改革?；诖四康模@套教學算法主要用于教學評估，將機器評估結(jié)果與人工評估結(jié)果進行比較和分析，從而確保機器評估結(jié)果的準確性。同時根據(jù)實際評價指標，邀請三名學生對藝術(shù)學教學模式進行評價。規(guī)定學生給出的完整描述，并且所使用的詞匯來得出最終結(jié)論。

表2規(guī)定了用于評估的特定數(shù)據(jù)，相比之下，可以看出，機器評估標識的指標眾多，每個教學評估指標僅需要搭配一個代碼字，極大地節(jié)省了存儲空間，減少了更新計數(shù)器的頻率，節(jié)約了成本的同時，也絲毫不會影響檢測的準確性。

將教學評估指標劃分出絕對與相對值，并各自界定概念及條件，規(guī)定基準測試的程序中必須包含有絕對與相對教學評估指標（見圖4、圖5）。結(jié)果清晰可見：基準測試程序中的條件與切換語句占比較重，絕對熱教學評估指標的數(shù)量呈現(xiàn)度高，教學評估指標的評估相對統(tǒng)一。

在評價詞的教學方面，采用了原研究所選擇的三選二表決的方法進行對與錯的判斷。如果相應的手動注釋參考集中的兩個或更多實驗者使用該詞進行標記，則該詞被確定為正確。分別計算上述兩類中的單詞選擇準確度和平均單詞選擇準確度。在整個句子級別，如果測試指令索引中測試短語的所有五個類別中的單詞都是正確的，則確定該句子是正確的。相反，只要單詞有錯誤，就判定該句子是錯誤的。橫坐標表示預測延遲，它是達到閾值之前熱路徑執(zhí)行總數(shù)的百分比。定義命中率時已考慮了預測延遲。從結(jié)果可以看出，大多數(shù)程序的最高命中率都是在大約10%的預測延遲下獲得的。由此可見，優(yōu)化路徑預測算法在提高預測精度和減少系統(tǒng)開銷方面表現(xiàn)出極大可行性。

總而言之，通過以上分析，該算法可以評價藝術(shù)專業(yè)的理論教學?？梢灾?，在對所選學校進行評估和實踐研究之后，當前的學校也需要多樣化其教學策略。這不僅是優(yōu)化教學模式的一種方式，而且是學生的興趣所在。

四、結(jié)論

當前，中國藝術(shù)產(chǎn)業(yè)的發(fā)展已經(jīng)到了全面升級的歷史時刻。該行業(yè)的長期發(fā)展及其持續(xù)繁榮離不開眾多專業(yè)人士的加入。但是，目前的現(xiàn)實是，該行業(yè)的從業(yè)者人數(shù)眾多，但綜合素質(zhì)和專業(yè)技能高的人才供應嚴重不足。在此基礎上，研究基于集群計算的影視文學專業(yè)高校理論教學與實踐相結(jié)合，主要構(gòu)建了動態(tài)的教學評價模型。首先闡述了研究背景和意義，提出了一種基于動態(tài)評價的教學評價算法，優(yōu)化了算法。闡述了藝術(shù)專業(yè)教學評價的具體步驟，并進行了教學評價。從實驗中可以看出，該算法可以起到很好的評價作用。藝術(shù)學專業(yè)在教學過程中應遵循藝術(shù)專業(yè)的特點和規(guī)律，充分調(diào)動學生的積極性，牢牢把握自己的優(yōu)勢，抓住發(fā)展機遇，以找到滿足當?shù)馗咝嶋H需求的人才培養(yǎng)模式。