Development of a Course Sequence for an Interdisciplinary Curriculum
Notice bibliographique
Résumé
Interdisciplinary curriculum development is challenging in the sense that materials from more than one discipline have to be integrated in a seamless manner. A faculty member has to develop expertise in multiple disciplines in order to teach an interdisciplinary course, or the course has to be team-taught. Both approaches are difficult to implement. There are administrative issues, such as proportional posting of expenditures across departmental budgets for the courses taught collaboratively, or courses with students from multiple departments. This paper describes the development and teaching of a sequence of bioinformatics related interdisciplinary courses for incorporation into undergraduate biology curricula. Three courses were developed with collaboration between the Departments of Biology and Computer Science at Tuskegee University. Each course contains contents from different subjects, traditionally considered to be virtually independent of each other. The courses have contents from biology, computer science, statistics, mathematics and biochemistry. The first two courses, Introduction to Bioscience Computing and Biological Algorithms & Data Structures, cover the computing and computer science fundamentals necessary for the informed use of bioinformatics tools. The third is an introductory course in bioinformatics. The focus was on teaching the effective use of bioinformatics tools, as compared to development of bioinformatics tools which is more relevant at the graduate level. Administrative issues encountered are also discussed. This work was supported by a NSF HBCU-UP grant.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».