Using Fuzzy Comprehensive Evaluation Method to Assess the Implementation Effect of College Students’ Mental Health Education in the New Media Environment
Notice bibliographique
Résumé
This paper constructs a comprehensive evaluation system based on the CIPP model, covering multiple dimensions such as input evaluation and outcome evaluation, in order to comprehensively measure the effect of college students' mental health education in the new media environment.In terms of weight determination, the subjective weights are obtained by hierarchical analysis method, then the objective weights of each index are calculated by entropy value method based on the actual data, and then the combination assignment method is used to organically combine the subjective and objective weights to obtain the inal indexes.The relationship matrix was constructed on the basis of a large amount of collected data, and the fuzzy comprehensive evaluation method was used to comprehensively assess the implementation effect of college students' mental health education.The results of the study show that the overall level of the effect of college students' mental health education is good, with the ratings of 79.54 and 78.28 for their mental health knowledge and ideological awareness evaluation, respectively, and that the mastery of mental health methodology and the awareness of proactively seeking psychological help are the main factors affecting the mental health of college students.In addition, the mastery level of college students' mental health practice ability is average (69.52), and there is an obvious de iciency in their theory to practice, which also adds dif iculty to the construction of college students' mental health.Therefore, the fuzzy comprehensive evaluation method can be used to optimize the evaluation system of college students' mental health education in the new media environment.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».