Interdisciplinary Platform Construction Model for Rural Revitalization Talent Cultivation Based on Deep Reinforcement Learning Algorithm in the Perspective of Digital Economy–Taking Ningbo Future Rural College as an Example
Notice bibliographique
Résumé
In the context of digital economy, the cultivation of rural revitalization talents urgently needs interdisciplinary collaboration and intelligent support.Taking Ningbo Future Rural College as a practice carrier, this study proposes an interdisciplinary platform construction model that integrates knowledge graph and deep reinforcement learning.The dynamic semantic association network is constructed through knowledge graph representation learning (TTransE), which is combined with a hierarchical reasoning intelligent framework to realize personalized learning and career recommendation.The experiment is based on 850 student sample data, and uses principal component analysis (PCA) dimensionality reduction with Pearson's correlation coefficient to validate feature relevance and construct a breadth-first association knowledge graph.The model achieved the highest 97.79% accuracy with 90.89% F1 value in entity recognition, and the skill assessment score was improved to 80.69, which was significantly higher than the control group's 67.10.The model significantly improved students' thinking ability (8.58 vs. 6.20),skill level (7.96 vs. 5.64), and innovation and adaptability (7.84 vs. 5.71) in this paper.The application of the proposed research methodology in Ningbo Future Rural College is effective and has certain promotion value for rural revitalization talent cultivation across specialties, which can help professional decision makers to formulate and implement cultivation policies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».