Responsive eLearning exercises to enhance student interaction with metabolic pathways
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
Successful learning of biochemistry requires students to engage with the material. In the past this often involved students writing out pathways by hand, and more recently directing students to online resources such as videos, songs, and animated slide presentations. However, even these latter resources do not really provide students an opportunity to engage with the material in an active fashion. As part of an online introductory metabolism course that was developed at our university, we created a series of twelve online interactive activities using Adobe Captivate 9. These activities targeted glycolysis, gluconeogenesis, the pentose phosphate pathway, glycogen metabolism, the citric acid cycle, and fatty acid oxidation. The interactive exercises consisted of two types. One involved dragging objects such as names of enzymes or allosteric modifiers to their correct drop locations such as a particular point in a metabolic pathway, a specific enzyme, and so forth. A second type involved clicking on objects, locations within a pathway, and so forth, in response to a particular question. In both types of exercises, students received feedback on their decisions in order to enhance learning. The student feedback received on these activities was very positive, and indicated that they found them to increase their confidence in the material and that they had learned the key principles of each pathway. © 2018 by The International Union of Biochemistry and Molecular Biology, 46(3):223-229, 2018.
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 | 0,000 | 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 découle