MétaCan
Menu
Retour à la cohorte
Enregistrement W2898330400 · doi:10.1021/acs.jchemed.8b00638

Combining the Maker Movement with Accessibility Needs in an Undergraduate Laboratory: A Cost-Effective Text-to-Speech Multipurpose, Universal Chemistry Sensor Hub (MUCSH) for Students with Disabilities

2018· article· en· W2898330400 sur OpenAlexafffund
Ronald Soong, Kyle Agmata, Tina Doyle, Amy Jenne, Tony Adamo, André J. Simpson

Notice bibliographique

RevueJournal of Chemical Education · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesUniversity of Toronto Scarborough
Mots-clésArduinoAssistive technologyComputer scienceAssistive deviceConstruct (python library)Speech synthesisHuman–computer interactionMultimediaEmbedded systemArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide With the advances in open-source technology, many laboratory devices can be built with a modest budget, particularly assistive laboratory devices. The current market cost of most assistive laboratory devices is a major barrier for students with accessibility needs. Specifically, for students with visual impairment, their limited choice of laboratory assistive devices has motivated us to construct a low-cost, multipurpose sensor hub capable of connecting to a pH electrode or a thermocouple, two sensors commonly used in many chemistry teaching laboratories. In this technology report, we present the construction of a text-to-speech (TTS) multipurpose universal chemistry sensor hub (MUCSH) built using an Arduino platform and other associated open-source electronic parts. The cost of this device is between $200 and $300, a fraction of the cost of commercially available products, which cost thousands of dollars.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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 Opus0,009
Tête enseignante GPT0,300
Écart entre enseignants0,292 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical EducationMême sujetExperimental Learning in EngineeringTravaux en français237 207