MétaCan
Menu
Retour à la cohorte
Enregistrement W4399542840 · doi:10.62828/jpb.v3i2.104

8. SEGMENTASI TINGGI BADAN DAN BERAT BADAN KADET MAHASISWA MENGGUNAKAN K-MEANS CLUSTERING

2024· article· id· W4399542840 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueTNI Angkatan Udara · 2024
Typearticle
Langueid
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensInnovation Cluster (Canada)
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPhysicsPhilosophy

Résumé

récupéré en direct d'OpenAlex

Penelitian ini merupakan langkah awal yang digunakan sebagai syarat utamaserta bekal dan persiapan dalam rangka menentukan Kadet mahasiwa UNHAN RI yangakan bekerja pada instansi pertahanan yang memiliki pengetahuan akademik dan militer.Penelitian ini bertujuan untuk segmentasi kadet mahasiwa berdasarkan tinggi badan danberat badan yang nantinya akan membantu pembuat keputusan dalam hal pembinaan fisik.Untuk segmentasi kadet mahasiswa ini peneliti menggunakan metode K-Means Clustering.Dari hasil segmnetasi didapat tiga cluster yaitu cluster 0, cluster 1, dan cluster 2. Cluster 0menunjukkan adanya potensi untuk dilakukan pembinaan lebih lanjut, sedangkan cluster 1dan cluster 2 juga bisa dilakukan pembinaan tapi dengan level sedang dan sederhana

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,861
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0030,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,280
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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