MỐI TƯƠNG QUAN GIỮA CÁC YẾU TỐ GÂY KHÓ KHĂN TRONG HỌC TẬP VÀ KẾT QUẢ HỌC TẬP CỦA HỌC SINH, SINH VIÊN NĂM NHẤT: TRƯỜNG HỢP NGHIÊN CỨU TẠI TRƯỜNG CAO ĐẲNG CỘNG ĐỒNG SÓC TRĂNG
Bibliographic record
Abstract
Nghiên cứu các yếu tố gây khó khăn trong học tập của học sinh, sinh viên (HSSV) năm nhất tại Trường Cao đẳng Cộng đồng Sóc Trăng được thực hiện nhằm tìm hiểu các yếu tố gây khó khăn trong học tập của HSSV năm nhất đang học tập tại Trường. Số liệu được thu thập từ 219 HSSV năm nhất sau năm học 2012 ? 2013. Các phương pháp phân tích được sử dụng là thống kê mô tả, phân tích nhân tố khám phá (EFA), kiểm định Cronbach?s alpha và phân tích hồi quy tuyến tính bội. Kết quả phân tích cho thấy, có 4 nhân tố (được nhóm từ 15 yếu tố) gây khó khăn trong học tập của HSSV năm nhất là: nhân tố thuộc về cán bộ, giảng viên bao gồm 7 yếu tố; nhân tố cơ sở vật chất bao gồm 4 yếu tố; nhân tố khoảng cách, nơi ở bao gồm 2 yếu tố và nhân tố thuộc về bản thân HSSV bao gồm 2 yếu tố. Trong đó, nhân tố cơ sở vật chất là nhân tố gây khó khăn nhiều nhất trong học tập của HSSV năm nhất, kế đến là nhân tố thuộc về cán bộ, giảng viên; nhân tố thuộc về bản thân HSSV và nhân tố khoảng cách, nơi ở.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.053 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".