Exploring the quality of the higher educational institution website using data mining techniques
Notice bibliographique
Résumé
The website of higher educational institutes is considered a vital communication channel to provide main resources to their stakeholders. It plays an important role in disseminating information about an institute to a variety of visitors at a time. Thus, the quality of an academic website requires special attention to respond to the users’ demands. This study aims to explore the quality of the PSAU website based on data mining techniques. The first step: was collecting opinions about the PSAU website using a survey. After that, data mining processes were used as descriptive and predictive models. The descriptive model was applied to describe and extract the major indicators of website quality. Besides, the predictive model was applied to create models for predicting the website quality level. More than one classification algorithm was used. Naive Bayes and Support Vector Machine have given the best results in all performance indicators, and the achieved accuracy rate for both algorithms was 86% and 84% respectively. The results revealed that the overall quality level of the PSAU website is very good. The usability quality and content quality were very good. The service quality needs more attention. which indicated that the service level is inadequate and needs to be further enhanced. The results of the study should be useful to the deanship of Information Technology at PSAU, and website developers, in redesigning with high quality in terms of its usability, content, and service.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,005 | 0,002 |
| 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 ».