Notice bibliographique
Résumé
This study grouped the interest of SMP Negeri 5 Binjai City students in extracurricular activities using the clustering method based on 2018–2024 data with variables of activity type, activeness, and achievement. The goal is to identify patterns of interest and utilize them for program management and development. The results are expected to help schools develop effective coaching strategies according to the characteristics of students. Education shapes character and develops students' potential not only academically, but also through extracurriculars. At SMP Negeri 5 Binjai City, extracurricular participation is not evenly distributed, affecting the effectiveness of supervisors and the development of activities. This study uses the clustering method to group students based on interests, activeness, and achievements, thereby helping schools manage and develop extracurriculars more effectively. This research is carried out in a structured manner through several stages: identification of problems to determine the focus of the research, collection of supporting and main data, study of related theories, analysis of data according to variables, testing and implementation of results, and evaluation to conclude findings and provide suggestions. This framework ensures that research is directed to produce useful results. This study succeeded in grouping the extracurricular interests of SMP Negeri 5 Binjai City students using the k-means algorithm with variables of activity type, activeness, and achievement through three cluster scenarios. Three clusters are sufficient for general strategies, while four or five clusters provide more specific coaching details, helping schools organize student motivational strategies, facilities, mentors, and programs.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».