Design of Intelligent Management Platform for Industry–Education Cooperation of Vocational Education by Data Mining
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
Data are playing an increasingly important role in the development of industry–education cooperation strategies in vocational education and training. The objective of this study was to promote the comprehensive progress of an industry–education cooperation system and improve the effect of the application of big data technology in this system. First, we designed of a big data technology application in an intelligent management platform system for industry–education cooperation. Second, we analyzed the synthetical design of the system. Finally, we optimized and designed a support vector machine (SVM) data mining (DM) algorithm model based on big data, and evaluated the model. The results revealed that the designed algorithm model provides outstanding advantages compared with similar algorithm models. In general, the highest average computation time of the designed SVM algorithm model is about 95 ms. The overall average calculation time linearly decreases around 200 iterations and tends to be stable, and the lowest overall average computation time is about 20 ms. In the DM process, the highest accuracy rate of the model is about 97%, and the lowest is about 92%. The DM accuracy rate is always stable as the number of iterations of the model continues to increase. The designed model slowly increases the occupancy rate of the system in the process of increasing computing time. At about 60 min, the system occupancy rate of the model tends to be stable, and the highest is maintained at about 23%. This study not only provides technical support for the optimization of DM algorithms with big data technology, but also contributes to the integrated development of industry–education cooperation systems.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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