Prediction of Academic Achievement of Vocational School Students Based on Tiktok Usage Patterns and Cognitive Styles: Multiple Linear Regression Model (Case Study: SMKS YPIS MAJU)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study aimed to predict vocational high school students’ academic achievement by analyzing the influence of TikTok usage patterns and cognitive styles using a multiple linear regression model. The research was conducted at SMKS YPIS Maju Binjai with a sample of 100 students selected through purposive sampling. Data were obtained through questionnaires on TikTok usage patterns and cognitive styles, as well as students’ academic records. TikTok usage (X1) was measured by frequency, duration, and its impact on study habits, while cognitive style (X2) was measured based on visual, verbal, and mixed learning preferences. Academic achievement (Y) was represented by students’ average report card scores. The regression analysis produced the equation Ŷ = 85.869 +(- 0.3495X1) + (0.1993X2). The results showed that TikTok usage had a significant negative effect on academic achievement, whereas cognitive style had a significant positive effect. The model demonstrated good predictive accuracy with R² = 0.392, MAE = 1.77, MSE = 5.26, RMSE = 2.29, and MAPE = 2.16%. This study contributes by integrating social media usage patterns and cognitive factors to predict students’ academic achievement and provides practical insights for educators in guiding students to balance social media use with academic learning.
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.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle