MétaCan
Menu
Retour à la cohorte
Enregistrement W1995480307 · doi:10.1021/ed084p1488

Teaching Chromatography Using Virtual Laboratory Exercises

2007· article· en· W1995480307 sur OpenAlexaff
David C. Stone

Notice bibliographique

RevueJournal of Chemical Education · 2007
Typearticle
Langueen
DomaineChemistry
ThématiqueChromatography in Natural Products
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésVirtual LaboratoryInstrumentation (computer programming)Computer scienceRobustness (evolution)SoftwareChromatographic separationChromatographyElutionResolution (logic)ChemistryMultimediaHigh-performance liquid chromatographyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Though deceptively simple to teach, chromatography presents many nuances and complex interactions that challenge both student and instructor. Time and instrumentation provide major obstacles to a thorough examination of these details in the laboratory. Modern chromatographic method-development software provides an opportunity to overcome this, presenting a valuable extension to existing lectures and laboratory sessions. This article describes the pedagogical goals and objectives, as well as the successful implementation, of two virtual laboratory exercises in an undergraduate separation-science course. These differ from conventional simulations in that the user can vary chromatographic parameters while directly observing their effect on the chromatogram without waiting for the latter to "develop". These self-paced independent-learning activities give students an improved understanding of the molecular basis of separation in chromatography, reinforcing the connections with fundamental chemical principles. Finally, such software provides an opportunity to include topics not covered in typical undergraduate texts, but of great importance to contemporary chromatography. These include the concept of robustness, the use of resolution maps, and the significant role of pH in controlling both resolution and elution order in HPLC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,004

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,287
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical EducationMême sujetChromatography in Natural ProductsTravaux en français237 207