The Effect of Social Media on Student Learning Motivation Using the Apriori Method
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
The success of student learning can be determined by their motivation. Students who have high learning motivation tend to have high achievement as well, otherwise their learning motivation is low, their learning achievement will also be low. student learning motivation in the subject is very low. Some students prefer to play social media rather than pay attention to the material explained by the teacher during class hours. Therefore, this study aims to explore the influence of social media on students' learning motivation. This research uses data mining method with Apriori algorithm to identify patterns related to social media usage and students' learning motivation. The Apriori algorithm is one of many algorithms in data mining that is used for frequent itemsets and association rules in databases on transactional data that are generated by identifying each item that exists, and combining larger sets of items provided that the items appear frequently enough in the database. Based on the research that has been done, the author can draw the conclusion that using the Rapid Miner 7.1 application tools in applying the apriori algorithm produces the same rules as manual calculations using 300 data on the learning motivation of Abdi Negara Binjai SMKS students and the system can generate association rules using 300 student learning motivation data with a minimum support of 12% and a minimum confidence of 75% and produce 5 association rules 3 itemsets to determine the learning motivation of Abdi Negara Binjai SMKS students. One of the rules that has the highest confidence value is, if YT and J2 then M1. Which means that every student who uses YOUTUBE Social Media with a length of use is 3-4 HOURS then INCREASES STUDY MOTIVATION. Then the less the ɸ (frequent) value is set, the more data that can be processed, as well as the minimum support value and confidence value, where the smaller the value determined, the more association results will be issued.
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 | 0,002 | 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 | 0,001 | 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