Clustering of High-Achieving Students Based on Scores at Junior High School Level Using K-Means Algorithm
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
Education plays a crucial role in shaping quality human resources, and student achievement evaluation at the junior high school level is essential for supporting academic guidance, learning programs, and recognition of outstanding students. However, the increasing number of students often makes the process of identifying and categorizing achievement more complex. This study aims to develop a student clustering model at SMP Budi Utomo Binjai using the K-Means algorithm as part of a data mining approach. The input data consisted of 638 student records covering three main variables: average score, counseling score, and extracurricular score. Data were preprocessed and transformed before being processed using MATLAB R2014a, which provides a kmeans() function to automatically group the data into clusters. Several clustering trials were conducted with three to six clusters to evaluate the grouping performance. The results showed that students could be grouped into categories of high, medium, and low achievement, with each cluster having different characteristics of average, counseling, and extracurricular scores. Variance analysis indicated that clusters with smaller variance values represented more compact and homogeneous groupings, while clusters with higher variance values were more heterogeneous. The findings demonstrate that the K-Means algorithm is effective in grouping student performance data objectively, providing useful insights for teachers and school administrators to design more targeted learning strategies, academic interventions, and recognition systems. This research highlights the potential of data mining techniques to support decision-making processes in the education sector.
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) | 0,001 | 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 | 0,002 | 0,001 |
| 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