Classification Of Students Based On Factors That Affect Student Learning Achievement Using The K-Means Clustering Algorithm (Case Study: STMIK Kaputama Binjai)
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
In the world of education, students are the main object of every educational implementation that always prioritizes disciplines that are beneficial to the students themselves. However, in lecture activities there are students who are diligent in participating in lecture activities and there are also those who rarely participate in lecture activities, this can be caused by internal and external factors, so that there can be significant variations in student learning achievements, with some achieving high grades, while others face difficulties in achieving the same achievements. Based on the description of the problem, the researcher conducted a study that aimed to group students based on factors that affect student learning achievement using the k-means clustering algorithm. The results of the research conducted produced 3 clusters with cluster 1 there were 5 data, the group of students with a very satisfactory predicate GPA (3.50-4.00), supported by both internal and external factors (interval 3.1-4). Cluster 2 has 3 data, the group of students with a satisfactory predicate GPA (3.00-3.49), supported by both internal and external factors (interval 2.1-3), and cluster 3 has 5 data, the group of students with a satisfactory predicate GPA (3.00-3.49), supported by both internal and external factors (interval 3.1-4).
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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