Genetic K-Means Algorithms, ASSU Analisis Peningkatan Kompetensi Mahasiswa Menggunakan Model Pembelajaran ASSURE berbasis Project-Based Learning
Notice bibliographique
Résumé
Sistem pembelajaran yang telah diterapkan dan dikembangkan bertujuan untuk meningkatkan, menguasai, memahami, dan menerapkan materi belajar untuk kemudian dijadikan suatu kompetensi dasar. Penelitian ini menganalisa hasil peningkatan kompetensi mahasiswa dalam mata kuliah teknologi informasi di STIKes Wira Medika Bali pada jenjang S1 Keperawatan dengan menggunakan sistem pembelajaran ASSURE berbasis Project-Based Learning. Metode yang digunakan dalam pengelompokkan hasil peningkatan tersebut menggunakan Genetic K-Means Algorithms, Metode ini dipilih karena mempunyai kinerja lebih optimal dari K-Means sederhana. Algoritma ini yang menggunakan natural selections untuk opitimalisasi menentukan initial seeds. Penentuan jumlah cluster yang digunakan dalam penelitian ini sebanyak tiga cluster dengan kategori tinggi, sedang dan rendah. Hasil dari penelitian ini untuk kategori sedang meningkat dengan range 3,92% dan 14%, untuk kategori rendah meningkat 31,37% dan 74%, untuk kategori tinggi menurun 35,29% dan 60%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».