Research on the Design of Curriculum System for Business Administration Students Based on Discrete Optimization Algorithm under Digital Talent Cultivation Mode
Notice bibliographique
Résumé
The study of student behavior data is a necessary way to enhance the digitalization process of the curriculum system of business administration.This paper collects students' online platform learning behavior and other data, and carries out data cleaning and other pre-processing on them.Using the density function and entropy discretization algorithm to divide the continuous student data into intervals, and study the course learning characteristics of students in different attribute intervals.On this basis, optimize the curriculum system of business administration majors in colleges and universities, and judge its application value through comparative experiments.Obtain students' satisfaction data on the curriculum system of business administration majors in colleges and universities, and analyze the direction of continuous improvement.Through preprocessing and descriptive analysis, it can be judged that the student behavior data conforms to the characteristics of continuous data, and can be classified using the discretization algorithm.The student behavior data are discretized into 3 major categories and 11 subcategories, and the attribute characteristics of each category can represent the behavioral characteristics and curriculum needs of different students.The mean value of the overall satisfaction of the optimized business administration curriculum system is 3.567 points, and the scores of all dimensions are higher than those before optimization, and there is no gender difference in satisfaction (P>0.05).The entropy-based discretization algorithm can effectively support the optimization of business administration professional course system.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 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 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 ».