Research on Health Status Evaluation of Higher Education Based on Factor Analysis and Projection Pursuit Evaluation Model
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
Higher education system is an important factor for a country to provide its citizens with further education besides primary and secondary education, each country has different higher education systems, and each country has its own advantages and disadvantages. In order to cultivate higher quality talents, countries should begin to pay attention to the reform of higher education system in order to establish a healthier and sustainable higher education system. Firstly, we set up a national health evaluation model of higher education. The first step is to select 40 countries' data about higher education by consulting relevant literature and OECD database, and use factor analysis to select and process evaluation indicators, Finally, four first-level indicators, such as teachers' strength and learning environment, students' access to education, education financial investment, education level and achievements, and 12 second-level indicators, such as the ratio of institutional educators and international students, the proportion of students' expenditure on education to GDP, and the total expenditure of government educational institutions, are determined. In the second step, we first normalize the index data, and then nest the projection pursuit evaluation model with multiple indexes. We use the evaluation value of every three secondary indicators to represent the corresponding primary indicators, and then calculate the evaluation value of the primary indicators as the final result, so we can get the weight formula of all indicators. The analysis results show that the health status of higher education in Korea is poor, and the evaluation values of most indicators are lower than the average level, so we chose Korea as the follow-up research object and put forward an achievable and reasonable vision for its higher education system.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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