Research on Optimization of National Security Education Knowledge Dissemination Path Based on Graph Theory Algorithm
Notice bibliographique
Résumé
National security education in the new era puts forward new and higher expectations on the scope, degree, speed and object of knowledge dissemination, while presenting new dissemination characteristics such as all-media and group emergence.Based on graph theory algorithm, this study proposes a dissemination model with credibility constraints about national security education knowledge.Text mining is used to crawl out the discussions of social network users on national security education knowledge in Sina Weibo and Baidu search, and the dissemination mechanism of national security knowledge is explored through text analysis.Based on this, different expectations of information dissemination are set to conduct numerical simulation.The simulation results show that the model is very sensitive to the changes of parameters, in the case of 0 1 R , with the increase of , the time for S to reach the steady state decreases, and the time for I to reach the great value decreases, while the great value increases, when 0.03 , Max 39.86 I ; when 0.3 , Max 37.23 I , the model plays an important role in controlling and managing the knowledge dissemination.The knowledge diffusion model based on graph theory algorithm proposed in this paper can achieve an average knowledge stock of 0.924 under regular networks and only 0.726 under scale-free networks.In terms of knowledge diffusion rate, this model has the optimal knowledge diffusion compared to the existing traditional knowledge diffusion model and random diffusion model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».