Architecture and Computational Optimization of Community Employment Support System for Digitally Intelligent Students Led by Digital Party Building Based on Field Theory
Notice bibliographique
Résumé
In this paper, K-prototype algorithm is chosen to cluster and analyze the data of students' behavior in the educational field.Further, a model of students' employment interest is constructed based on the job rating data of different classes of students.The timeliness is introduced in the model to improve the recommendation accuracy.Synthesize the algorithm and model to build an employment support system.Apply the system to the clustering study of college students' behavioral data to verify its career recommendation value.Set up comparison experiments to find the optimal similarity fitting parameters and number of neighbors to improve the system recommendation accuracy and judge the system recommendation effect.Preliminarily divide students into 3 categories by analyzing students' online behavior and book borrowing behavior.Preliminarily categorize students into 4 categories based on their grades.Combined with the performance labels and grade categories of professional courses, the employment direction of students was finally clustered into four categories, namely "postgraduate entrance examination", "civil servant application", "company work" and "others".The highest accuracy of the system job recommendation is achieved when the similarity fitting parameter = 0.5 and the number of neighbors N = 50.The RMSE value of the K-prototype algorithm ranges from 0.6011 to 0.731, and the recommendation effect is better than the comparison algorithm.
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 | 0,000 |
| 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 ».