Application of the K-Nearest Neighbor (KNN) Algorithm in Machine Learning to Predict the Selection of Undergraduate Study Programs Based on New KIP Lecture Students
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
Higher education plays a vital role in shaping the future of individuals and society. Choosing the right study program is an important decision for every student, because it will affect their career path and personal development. The KIP Lecture program is present as a government initiative to provide higher education opportunities to students from underprivileged families. However, with the many options of study programs available, new students often have difficulty in determining the study program that suits their interests and abilities. On the other hand, the data of new students that is quite complete and varied opens up opportunities to use machine learning technology in helping the study program selection process. The K-Nearest Neighbor (KNN) algorithm as one of the simple and easy-to-implement machine learning algorithms has the potential to provide more accurate recommendations for the selection of study programs based on student data at STMIK Kaputama. Therefore, this study focuses on analyzing the use of the KNN algorithm in machine learning to predict the selection of undergraduate study programs. This research aims to identify existing problems, evaluate the effectiveness of KNN in this context, and provide solutions that can be implemented to improve the study program selection process for new students who receive KIP Lecture. It is hoped that it can provide recommendations for the selection of study programs that are more accurate and relevant for new students who receive KIP Lecture at STMIK Kaputama. In addition, this solution can also increase the effectiveness of academic guidance and assist students in achieving better academic and career success.
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 | 0,002 |
| 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 | 0,000 |
| 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