Analysis of the Pattern of the Relationship the Intensity of Playing Onilne Games and Learning Interest Using Association Rule Mining (Apriori) at STMIK KAPUTAMA
Notice bibliographique
Résumé
The rapid development of information technology has a significant impact on the learning lives of students, one of which is through the increasing intensity of playing online games. This phenomenon raises concerns regarding its influence on learning interests, so it is necessary to conduct an in-depth analysis to see the pattern of relationships that occur. This study aims to analyze the relationship between the intensity of playing online games and the learning interest of STMIK Kaputama students using the Association Rule Mining method with a priori algorithm. The research data was obtained through questionnaires that were shared with students, then processed into binary tabular forms so that they could be processed using the RapidMiner software. The analysis process is carried out through the stage of forming frequent itemset, calculating support and confidence, to finding association rules that meet the minimum requirements. The results showed that there were several significant relationship patterns between the variables of the intensity of playing online games and learning interest. For example, the pattern "PS1 & WBS4 & TKG2 & UWB1" has support of 35% and results in a confidence value that shows a strong association between playing time factors, dependency levels, and learning efforts. In general, the higher the intensity of playing online games, the more it affects the decrease in students' interest in learning. These findings can be an input for the campus and students in managing gaming activities so that they do not have a negative impact on academics.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».