Empirical Research on Innovation and Entrepreneurship Education and Cultural Confidence of College Students Based on Fuzzy Logic and Decision Tree Algorithm
Notice bibliographique
Résumé
Under the background of globalization and knowledge economy, the importance of innovation and entrepreneurship education for college students is becoming more and more prominent.This paper combines fuzzy logic and decision tree algorithm to construct a cultural confidence recognition model of innovation and entrepreneurship education.Feature selection and classification are carried out on the salient features of the collected data information on innovation and entrepreneurship education.First, eight types of statistical features, such as the degree of integration of excellent traditional culture, the degree of value leadership and moral cultivation, the innovative power of grounded cultural knowledge, and the effect of social responsibility cultivation, are extracted as inputs to the C4.5 algorithm, and a decision tree is constructed for feature selection.Then, according to the constructed decision tree, the affiliation function and IF-THEN rule of the fuzzy inference model are designed.Finally, the designed fuzzy inference model is used to classify the degree of cultural confidence.The method achieves 100% accuracy in recognizing the lack of cultural self-confidence in innovation and entrepreneurship education, and more than 90% in recognizing the overall effect of general cultural self-confidence and rich cultural self-confidence.The experimental results show that the combination of decision tree and fuzzy inference modeling is feasible for the detection and classification of college students' innovation and entrepreneurship education, and has strong practical application value.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».