Data Analytics for HR Students: Using RapidMiner to Develop Systems Thinking Skills
Notice bibliographique
Résumé
In this study, we investigated the value of the data mining tool RapidMiner for teaching data analytics to human resource (HR) students.In a way, the idea for another analysis tool contradicts the demand for demonstrable spreadsheet skills in business professions.Fluency in MS Excel is seen as a necessary skill for data analysis in business; however, more advanced analysis like predictive analytics (i.e., predicting employee churn, salary levels, survey text analysis, etc.) leaves a gap in MS Excel's skill set.Introducing 34 The BRC Academy Journal of Business Vol. 13, No. 1 HR students to RapidMiner fills that gap.We wanted to provide students with a deeper learning experience beyond the spreadsheet to give them a competitive advantage in the job market.This study explained how faculty could use RapidMiner to teach data analytics to HR students.Based on their experience, students completed a survey that analyzed the impact of using RapidMiner on their engagement, learning satisfaction and understanding of Systems Thinking.We adapted active learning strategies and an HR data set from IBM to reduce the gap between business education and practice.We provided practical recommendations on using RapidMiner for teaching Data Analytics and as a method to develop fundamentals of systems thinking for business students.Our findings showed that using RapidMiner tool resulted in high student engagement, satisfaction, confidence and helped introduce the Systems Thinking approach.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 ».