MétaCan
Menu
Retour à la cohorte
Enregistrement W2111553095 · doi:10.1187/cbe.05-11-0122

Animated Cell Biology: A Quick and Easy Method for Making Effective, High-Quality Teaching Animations

2006· article· en· W2111553095 sur OpenAlexafffund
Danton H. O’Day

Notice bibliographique

RevueCBE—Life Sciences Education · 2006
Typearticle
Langueen
DomainePsychology
ThématiqueVisual and Cognitive Learning Processes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesUniversity of Toronto
Mots-clésAnimationStudioMultimediaComputer scienceGraphicsThe InternetQuality (philosophy)Computer graphicsComputer graphics (images)World Wide Web

Résumé

récupéré en direct d'OpenAlex

There is accumulating evidence that animations aid learning of dynamic concepts in cell biology. However, existing animation packages are expensive and difficult to learn, and the subsequent production of even short animations can take weeks to months. Here I outline the principles and sequence of steps for producing high-quality PowerPoint animations in less than a day that are suitable for teaching in high school through college/university. After developing the animation it can be easily converted to any appropriate movie file format using Camtasia Studio for Internet or classroom presentations. Thus anyone who can use PowerPoint has the potential to make animations. Students who viewed the approximately 3-min PowerPoint/Camtasia Studio animation "Calcium and the Dual Signalling Pathway" over 15 min scored significantly higher marks on a subsequent quiz than those who had viewed still graphics with text for an equivalent time. In addition, results from student evaluations provided some data validating the use of such animations in cell biology teaching with some interesting caveats. Information is also provided on how such animations can be modified or updated easily or shared with others who can modify them to fit their own needs.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,185

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0550,015

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 Opus0,043
Tête enseignante GPT0,472
Écart entre enseignants0,429 · 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

Citations50
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCBE—Life Sciences EducationMême sujetVisual and Cognitive Learning ProcessesTravaux en français237 207