Research on the Construction of the Evaluation System of Occupational Competence from Vocational Colleges in PRC-based on Big Data Technology
Notice bibliographique
Résumé
This study constructs an Occupational Competency Assessment System (OCAS) for vocational colleges through a mixed-methods approach, combining quantitative analysis (Analytic Hierarchy Process, AHP) and qualitative techniques (literature analysis, expert interviews, and Delphi method). Quantitative results indicate that specialist knowledge (32.63%) and teamwork skills (13.23%) are the highest-weighted indicators, while practical skills (5.65%) and critical thinking (1.72%) show relatively lower contributions. Qualitative data collection involved four rounds of Delphi consultations with 30 participants (experts, students, graduates, and industry professionals), followed by grounded theory coding to identify 15 core competency categories. Findings reveal that the proposed system effectively integrates vocational methodological and social competencies, with a strong correlation (r > 0.7) among practical skills, teamwork, and workplace adaptability.However, limitations of traditional OCAS persist, including overreliance on subjective evaluations, fragmented data sources between schools and industries, and insufficient feedback mechanisms for personalized student development. To address these gaps, the study recommends strengthening practice-oriented teaching models, enhancing industry-education collaboration for real-time data integration, and incorporating dynamic AI-driven adjustments to improve assessment accuracy.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,003 | 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 ».