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)
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.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,003 | 0,001 |
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 ».