Knowledge accelerator by transversal competences and multivariate adaptive regression splines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Transversal competences constitute a set of the knowledge, skills, and attitudes required for various positions and in different professions. Such competences include: entrepreneurship, teamwork, creativity, and communicativeness; they are increasingly listed by employers in different countries as the key requirements in the labor market. The article presents the model of accelerating the process of acquiring transversal competences, developed based on the analysis of data collected in four countries of the European Union: Poland, Finland, Slovakia, and Slovenia. In the analysis, multivariate additive regression spline method was used, along with artificial neural networks, in order to create the best model describing the influence of different variables on the acceleration of acquiring transversal competences. Herewith, we demonstrated that by accelerating the acquisition of the transversal competence of entrepreneurship is influenced by the following factors: rank of the training method in the developed matrix, student numbers and the weighted average of the pace of acceleration regarding the acquisition of the remaining transversal competences, i.e., teamwork, communicativeness and creativity by the given student. The results validate our new method of the acceleration of acquiring transversal competences by students. Students may be from various higher education institutions in different countries. Developed results may be used in the course of education within the framework of the already planned vocational courses and for developing the skills required by employers for various positions and in different professions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle