DBSCAN Density Clustering Algorithm Constructed by Marketing Professional Course Cluster – A Study on the Promoting Role of Artificial Intelligence Educational Technology on Teaching Method Reform of Teachers of Higher Vocational Marketing Professionals
Notice bibliographique
Résumé
Due to the development of advanced information technology such as artificial intelligence, the traditional marketing profession is being transformed and upgraded in the direction of intelligent higher vocational marketing, and the requirements of marketing positions on the knowledge, quality and ability of practitioners have changed.The article analyzes students' cell phone online behavior in different classrooms based on DBSCAN clustering algorithm by collecting students' campus network usage data, according to which the results can provide an effective basis for school management.By introducing the Interpretive Structural Model (ISM) and analyzing the interrelationships between courses, the article proposes a course cluster division scheme for marketing majors, which provides methodological support for the division of clusters in the construction of course clusters for professional teachers, as well as the selection and organization of the courses within the clusters.Finally, investigate the differential judgment of students from different places of origin about the influence of teaching environment, teacher quality, teaching process, teaching tools and resources on the teaching effect of marketing courses, the data show that the influence factors of marketing course teaching have obvious differences in the influence of the teaching effect of the course, improve the ability of professional teachers to educate people, optimize the teaching process of the marketing course, and deepen the reform of classroom teaching.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».