MétaCan
Menu
Retour à la cohorte
Enregistrement W2905792664 · doi:10.12688/f1000research.16959.1

Hackathon-driven tutorial development

2018· preprint· en· W2905792664 sur OpenAlexaff
Bruno M. Grande, Arjun Baghela, Anna Cavalla, Florian Privé, Peter Zhang, Yisong Zhen

Notice bibliographique

RevueF1000Research · 2018
Typepreprint
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British ColumbiaSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésDocumentationSuiteLimitingComputer scienceSoftwareField (mathematics)Open peer reviewSoftware engineeringSoftware developmentWorld Wide WebData sciencePlant biologyEngineering

Résumé

récupéré en direct d'OpenAlex

<ns5:p>Software is essential for data science. However, several software tools remain out of reach for many users due to a lack of documentation, thus limiting progress in the field. Tutorial development by authors and users can greatly improve a tool's accessibility and accelerate its adoption. In this article, we explore hackathons such as hackseq as a venue for authors and users to develop tutorials to address the lack of documented software. We describe four advantages of hackathon-driven tutorial development as well as three challenges that we faced. We also discuss our experience with remote participation. In short, if properly prepared, hackathons can provide a productive venue for assembling a group of passionate people, including remote participants, to develop a suite of related tutorials and address the growing need for accessible software.</ns5:p>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,034
Tête enseignante GPT0,290
Écart entre enseignants0,257 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueF1000ResearchMême sujetBiomedical and Engineering EducationTravaux en français237 207