USING MACHINE LEARNING AS A TOOL TO HELP GUIDE UNDECLARED/UNDECIDED FIRST-YEAR ENGINEERING STUDENTS TOWARDS A DISCIPLINE
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
Supervised Machine Learning classification algorithms are used to analyze the potential inclination of the undecided/undeclared first-year engineering students. The data exploration task is possible by building a dataset that comprises of questions based on significant attributes. These attributes hover around different disciplines of engineering being offered at the University of Toronto. This qualitative survey is distributed to upperclassmen students (3rd, 4th year and graduate students, N = 54) and undecided first-year engineering students (N = 29) Multi-class classification is a technique that is used to categorize the data into two or more classes, in this case, the different disciplines of engineering at University of Toronto. The dataset that is built, based on the answers provided by the upperclassmen, is programmed into different classification algorithms such as Logistic Regression, KNN (K-nearest neighbors), Decision Tree and Random Forest classifier. The algorithms are compared so as to identify the most appropriate one that can determine the specific class label of the upperclassmen based on the answers provided in the qualitative survey. The accuracy of the various algorithms is an indicator of the favorable algorithm that can serve as a tool to suggest the potential majors that could be pursued by the undecided/undeclared students. Moreover, the answers given by the upperclassmen is visually analyzed for identifying the patterns of inclination of the students belonging to different disciplines of engineering.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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