Grouping of Student Learning Interest Indicators using the Clustering Method (Case Study: MA. Al – Asy'ariah Sunggal)
Notice bibliographique
Résumé
Student learning interest is an important factor in achieving educational outcomes, as it is directly related to their involvement in the learning process. However, in reality, each student has a different character and learning style, often making it difficult for teachers to determine effective and appropriate learning strategies. Therefore, an approach that can objectively identify patterns of student learning interest is needed. This study aims to group students based on three main indicators of learning interest: class activity, academic grades, and involvement in extracurricular activities. The method used is K-Means Clustering, which is a data mining technique for grouping data based on similar characteristics between objects. This research process began with data collection of 508 students of MA Al- Asy'ariah Sunggal in the 2024 academic year, then the data was transformed into numeric form. Next, the K-Means algorithm was implemented using MATLAB R2014b software. The analysis results show that students can be divided into three main clusters, each with different learning interest characteristics. The first cluster consists of students who are less active and do not participate in extracurricular activities, the second cluster contains students with high academic grades but minimal classroom engagement, and the third cluster reflects students who are active both academically and non-academically. These results provide a concrete picture for schools in developing more targeted learning strategies, based on the needs and potential of students in each group.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».