ANALISIS KEPUASAN MAHASISWA TERHADAP SISTEM PEMBELAJARAN ONLINE PADA MASA PANDEMIC COVID 19 DI STMIK AKAKOM DENGAN METODE NAIVE BAYES
Notice bibliographique
Résumé
In accordance with the circular of the Minister of Education and Culture of the Republic of Indonesia regarding Circular Letter Number 4 of 2020 concerning the Implementation of Educational Policies in the Emergency Period for the Spread of Corona Virus Disease (COVID-19), the learning system implemented is online. STMIK AKAKOM is one of the universities that has also implemented online lectures since the government's policy for the home learning system was established. Various efforts have been made by STMIK AKAKOM to carry out the online learning process during this covid-19 pandemic. Therefore, researchers conducted a study that aims to analyze the success of the online learning system for students conducted at STMIK AKAKOM with the Naive Bayes method approach, using 4 (four) criteria, namely Communication, Building a Learning Atmosphere, Assessment of Students, and Delivery of Lecture Materials. The level of satisfaction assessment using a Likert scale (likert scale) 5 points with the same interval. starting from point 1 (one) which states very less, to point 5 (five) which states very well. Based on the results of calculations that have been carried out, it can be seen that the classification of testing data from respondents numbered R89 to R93 for online learning systems during the Covid 19 pandemic is satisfied.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».