MétaCan
Menu
Retour à la cohorte
Enregistrement W4404578748 · doi:10.62951/repeater.v2i4.206

Pengelompokan Menggunakan Metode Clustering Pada Pola Hidup Pengguna KB

2024· article· en· W4404578748 sur OpenAlexaff
Dio Fani Prakasa, Novriyenni Novriyenni, L A N Kadim

Notice bibliographique

RevueRepeater · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésCluster analysisComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Healthy lifestyles are habits of doing something, be it food, healthy behavior so as to avoid the disturbance of all kinds of diseases, both physical and non-physical diseases, as well as birth control users must also strive for a healthy lifestyle, such as managing a healthy diet, rest, exercise, eating vegetables and fruits, doing optimal physical activity, not consuming alcohol, and maintaining a healthy body. In this problem, many family planning users do not pay attention to a healthy lifestyle because they think that the family planning tools used have no risk to health, but the use of family planning has side effects on health such as menstruation is not smooth, the body is obese, the body feels warm or feverish, there are blood clots, nausea, bloating, changes in vision, difficulty in getting back to normal, headaches, and others. To be able to attract the attention of the community in implementing a healthy lifestyle for family planning users, it is very necessary to have a system that can help people in changing their unhealthy lifestyle to a healthier one by grouping family planning user data based on variables that have been determined using the clustering method, to group data on healthy lifestyles for family planning users which later the results of this study can be used as input and guidance for a healthy lifestyle for family planning users, so that family planning users are more careful and have a healthy life. Of the 20 data, there are 3 groups, namely group 1 there are 4 data and group 2 there are 4 data and group 3 there are 12 data from the above results it can be seen that in cluster 3 is a group on family planning users based on a lot with a total of 12 data and is located in the contraceptive type group (X) is injectable birth control, and for the lifestyle group (Y), namely Frequent Night Baths and Risk (Z), namely Decreased Bone Strength.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,156

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0470,012

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 Opus0,013
Tête enseignante GPT0,272
Écart entre enseignants0,259 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRepeaterMême sujetData Mining and Machine Learning ApplicationsTravaux en français237 207