MétaCan
Menu
Retour à la cohorte
Enregistrement W4405003031 · doi:10.56134/jst.v3i2.85

Implementation of a Rule-Based Decision Support System in Determining the Level of Customer Satisfaction with Services

2024· article· en· W4405003031 sur OpenAlexaff
Kerry Buck Manulak, Shaiful, Wisda Wisda, Mandeine Resyi

Notice bibliographique

RevueCeddi Journal of Information System and Technology (JST) · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueInformation Retrieval and Data Mining
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésDocumentationCustomer satisfactionData collectionService qualityService (business)Decision support systemComputer scienceProcess managementKnowledge managementEngineeringBusinessMarketingData mining

Résumé

récupéré en direct d'OpenAlex

Sarmi Car Wash is a car and motorbike washing service located at Jalan Sultan Hasanuddin No. 52, offering pick-up and drop-off services within a specified range. To enhance employee performance and customer service, the business seeks to implement a decision support system (DSS) to monitor employee performance and assess customer satisfaction effectively. This research aims to design a web-based DSS application that utilizes rule-based assessments of employee performance, integrating data such as employee names and tenure as references for developing the system. The study employed data collection methods including observation, interviews, documentation, and literature review. The system was tested using the black-box method, confirming that it functions as intended. Additionally, based on a user assessment questionnaire, the application achieved an average score of 80.4%, indicating its suitability and effectiveness for implementation. The developed system provides an efficient solution for improving service quality and employee performance monitoring at Sarmi Car Wash.

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)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,263
Écart entre enseignants0,248 · 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'étudeExpérimental (laboratoire)
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 revueCeddi Journal of Information System and Technology (JST)Même sujetInformation Retrieval and Data MiningTravaux en français237 207