ANALISIS KLASIFIKASI SARAN PESERTA PELATIHAN MENGGUNAKAN PENDEKATAN MACHINE LEARNING
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
Saran peserta pelatihan tergolong jarang mendapatkan perhatian dan dianalisis lebih lanjut. Analisis terhadap saran peserta pelatihan dapat bermanfaat dalam mengidentifikasi faktor-faktor yang perlu diperhatikan dalam manajemen penyelenggaraan pelatihan. Text mining dan machine learning merupakan pendekatan terkini yang dapat digunakan untuk memperoleh pola tertentu pada data tidak terstruktur berupa teks. Artikel ini membangun model klasifikasi menggunakan algoritma naïve bayes berdasarkan dataset saran peserta pelatihan. Model tersebut digunakan untuk memprediksi kategori saran peserta yang dapat memudahkan penyelenggara pelatihan mengidentifikasi aspek-aspek prioritas yang perlu dievaliuasi. Hasil pemodelan memiliki akurasi 60,81% dan dapat digunakan untuk memprediksi label kategori saran peserta. Namun demikian, Kinerja model dapat ditingkatkan dengan melatih model menggunakan data baru, menggunakan model klasifikasi lain, atau modifikasi terhadap algoritma. Hasil klasifikasi saran tahun 2024 menunjukkan aspek sarana dsn prasarana, serta tata laksana pelatihan menjadi dua aspek yang harus ditindaklanjuti oleh penyelenggara pelatihan.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,009 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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