Algorithm-based analysis of party members’ ideological dynamics in university management and its management decision support
Notice bibliographique
Résumé
The continuous development of data analysis technology in the era of big data provides new methods for the analysis of college students’ ideological dynamic data, and also provides new ideas for the scientific construction of ideological and political education disciplines in colleges and universities. In this paper, based on the word frequency analysis, set up the keyword context, collect the keywords of the ideological dynamics of party members and students, extract and examine the feature vectors in them, put all the keyword feature vectors, form the keyword feature vector set, use the method of keyword vector research, carry out the descriptive and differential analysis of the survey data of the ideological dynamics of the party members’ development in the management of colleges and universities, and construct the party members’ ideological dynamics management mechanism based on the existing problems , analyzing the effect of management decisions in colleges and universities. The kurtosis values of the four indicators of party members’ political thoughts, learning thoughts, innovative thoughts and consumption thoughts are -1.4685, -0.4496, -0.9871 and -1.5614 respectively, which are on the low side, indicating that the performance of the respondents is more unified and concentrated in these four indicators, and laying a feasible foundation for the subsequent relevant analysis. In campus adaptation, self-efficacy, and life satisfaction, the number of party students who performed agreeably, correctly, and positively were 116, 202, and 142, respectively, and after the reform of college management decisions, the students’ performance in these three aspects changed.
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 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) | 0,001 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».