MétaCan
Menu
Retour à la cohorte
Enregistrement W2043589267 · doi:10.1109/educon.2014.6826138

Integrating practical CISCO CCNA courses in the Computer Networks' curriculum

2014· article· en· W2043589267 sur OpenAlexfundno aff
Marjan Gušev, Sasko Ristov, Aleksandar Donevski

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensnon disponible
Organismes subventionnairesConsortium canadien en neurodégénérescence associée au vieillissementCisco Systems
Mots-clésComputer scienceCurriculumCourse (navigation)Core curriculumSoftwareBig dataMultimediaEngineering

Résumé

récupéré en direct d'OpenAlex

Nowadays, both wired and wireless computer networks have significant importance. In addition, we are entering the world of big data analysis, where a lot of data is transferred from the sources to given computing centers for further processing. This trend requires changes in the computer science' computer networking curriculum in order to prepare the students with market opportunities and challenges after graduating. The Computer Networks (and / or data communications) course, or the whole knowledge area of networking and communication in general, are supposed to be a core part of computer science and net centric computing. Given the fact that these students prefer to learn software oriented courses, the Universities have to make the course more interesting and sophisticated enough to follow today's trends. In this paper, we present a new adaptive curriculum for the Computer Networks course. The students have the opportunity to choose between a practically or theoretically oriented course. Our intention is to make the most of the learning objectives in the course more practical and thus initiate increased interest of the students. However, the core part of theoretical lectures about low level reliable data communication is obligatory for both approaches.

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)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,156

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,001
Communication savante0,0050,002
Science ouverte0,0020,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0470,019

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 Opus0,006
Tête enseignante GPT0,243
Écart entre enseignants0,238 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations9
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetExperimental Learning in EngineeringTravaux en français237 207