Aaron's Solution, Instructor's Problem: Teaching Surface Analysis Using GIS
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
Abstract Abstract Teaching GIS is relatively simple, a matter of helping students develop familiarity with the software. Mapping as an aid to thinking is harder to instruct. This article presents a laboratory and lecture package developed to teach the utility of mapping in a course on spatial data analysis. Following a historical review of the use of surface mapping in medicine, it investigates a recent outbreak of salmonella. The lab teaches two different analytic techniques, hierarchical buffers and a surface kerneling approach. The result is a historically grounded program in which different means of address are compared and considered by students. Key words: choleradensityGISsurface analysissalmonella Acknowledgments The authors wish to express thanks to the peer reviewers who carefully reviewed an earlier draft of this article. Ken Denike, Ph.D. is professor emeritus of geography at theUniversity of BritishColumbia and serves as chairperson of the Vancouver School Board, Vancouver, Canada. He was recipient of the 2004 National Council for Geographic Education award for the best article related to teaching in the university/ college. Tom Koch, Ph.D. is adjunct professor of medical geography at the University of British Columbia and adjunct professor of gerontology at Simon Fraser University. He is the author of fourteen books, including Cartographies of Disease (2005). Notes Note 1. The intersects can be either manually constructed, or in some programs computed automatically. An advantage of this approach is that it insists students see that manual approaches are possible and the GIS simply facilitates the process whose rationale is clear.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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