Research on the optimization of the ideological education mode in the cultivation of big data talents in colleges and universities based on time series analysis
Notice bibliographique
Résumé
The prediction of the scale of big data talent training in colleges and universities belongs to an important content in the field of big data talent research in colleges and universities.The article uses the primary exponential smoothing method in the time series and the gray model prediction method to predict the scale of college big data talent training and talent demand respectively, and then uses the Lorenz curve and the Gini coefficient to study the matching degree of education in the field of big data.There are experimental results can be obtained, the degree of matching between the professional settings of colleges and universities and the trend of the demand for big data-related positions in enterprises needs to be strengthened, in order to adapt to the future demand for big data-related positions in enterprises, and to further output talents that are in line with the enterprises, the article proposes a model of big data talent cultivation civic and political education in colleges and universities based on the KSAO model.Based on the KSAO model, the ideological education mode of big data talent cultivation in colleges and universities can be implemented at six levels: "theory + project" curriculum system, promoting the dual strategy of "on-campus simulation + off-campus practice", establishing the KSAO multi-dimensional practice assessment system, strengthening the coordination of the industryteaching cooperation model, building a cloud learning platform with the help of information technology, and implementing the top-down education design.
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 | 0,004 | 0,002 |
| 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 | 0,000 | 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 ».