Modeling Research on the Relationship between Physical Training and Vocational Ability Enhancement of College Students in Public Security Colleges and Universities Based on Deep Learning Models
Notice bibliographique
Résumé
At present, the physical training of public security police has not formed a unified training system in the country, and various places ignore the cultivation of other aspects of the ability to take skill training as the leading role, and solve the problem of how to train through the construction of the system, so as to ensure that the physical training of public security police is carried out effectively.This paper explores the impact of physical training on college students' professionalism in public security colleges, constructs the K nearest neighbor classification algorithm, and introduces the relevant activation function to deal with more complex students' physical training exercise trajectories.ATT-DAN multitarget tracking model is constructed to extract the feature information of college students' physical fitness training, obtain the target movement trajectory, and parameterize the representation of students' physical fitness training programs.The correlation ranges of frequency, average score, highest grade score of physical fitness training and occupational ability were between 0.415~0.632,0.452~0.769,0.412~0.715,respectively, and the credibility and stability of the occupational ability characteristics were good.Meanwhile, the linear regression of the two showed that the correlation Pvalue of age, 30-second deep squat, pull-up, 3200 meters, and 15-second repetitive straddle with occupational ability was less than 0.05, and there was a positive correlation between the two.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».