How to Create a Student‐Generated Database, in a Large Nutrition Class, to Illustrate the Analysis of Nutrient and Food Intakes
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 The completion of a 3‐d food record, using commonly available nutrient analysis software, is a typical assignment for students in nutrition and food science programs. While these assignments help students evaluate their personal diets, it is insufficient to teach students about surveys of large population cohorts. This paper shows how the Test, Survey, and Pools tool in the learning management system Blackboard™ (Blackboard Inc.) was used to collect the individual food and nutrition intake data from the 3‐d food records of students in a large introductory nutrition class. This student‐generated database was then used to illustrate population level analyses. Examples of the types of analyses include (a) use of the Estimated Average Requirement cut point method to identify nutrients of concern; (b) the use of food intakes to determine the proportion of students consuming the recommended servings of foods from each food group; (c) the analysis of intakes of nutrients that are overconsumed such as salt, saturated fat, and trans fat; and (d) correlations between macronutrients (for example, as fat intake increases, carbohydrate intake decreases). The use of a database, derived from the students own food intakes, connects with student interests, and the analysis of such a database illustrates an authentic task in the nutritional sciences.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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