Analysis on the level of higher universities in different countries using entropy weight method and analytic hierarchy process
Notice bibliographique
Résumé
The higher education system is an important factor in measuring the education level and national strength of a country. A healthy and sustainable higher education system can effectively improve the country's competitiveness. The establishment of a complete and unified model for evaluating the pros and cons of the national higher education system is the basis for improving the level of the higher education system. In this article, we will build the relevant model in four steps. The first step is to search for documents and data, and use data on factors such as knowledge protection in multiple countries, higher education enrollment rates, education system quality, student Internet access, government education expenditures, the number of citations per paper, and the value of degrees. Build a model based on it. And standardize all data. In the second step, since the factors may have a certain correlation, the principal component analysis method is used to convert the equi-related variables into another set of unrelated variables and establish a model. The third step is to analyze the health and sustainability levels of higher education systems in Canada, France, Germany, Italy, Japan, Russia, the United Kingdom, the United States and other countries based on this model, and obtain rankings and comprehensive scores. The fourth step is to use the entropy method to calculate the specific weight of each factor. Select one of the countries to reform the most weighted factor. Import the reformed data into the model again, observe and analyze its changes.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».