Experiential learning of data acquisition and sensor networks with a cloud computing platform
Notice bibliographique
Résumé
Experimental data acquisition and statistical data analysis are core components in photonics undergraduate curriculum. Although it focuses on experimental data, the content is usually delivered by a lecture-based format. This is partially because the contents are delivered at the beginning of the program when experimental data acquisition techniques have not yet been introduced. In a second-year data acquisition and applied statistics course, we have designed an experiential learning module that covers the fundamental content of data acquisition and statistical analysis. This module uses a single physical experimental setup that is continuously measuring environmental parameters (temperature, humidity, light, imaging, etc.) using a set of multiple modality sensors in an Internet-of-things (IoT) big data platform (Pi Vision, OSI Soft). Different types of sensors measuring the same parameters are also used for cross-validation purposes. The data is streamed to a cloud computing platform, allowing each student to acquire their own subset of data, and then perform processing and analysis. The capability of remote access a physical sensing experiment provide the students hands-on learning opportunities on a managed complex data acquisition system. The platform provides a set of powerful visualization tools to allow a multi-dimension view of complex data streams (e.g. time-lapse of statistical distribution). Such IoT data acquisition platform allows key concepts to be demonstrated, applied, and tested including error propagation, distribution and test of distribution, correlation and cross-validation, data rejection, and signal processing. This experiential learning module has been demonstrated to be more effective in achieving related learning objectives through quantitative graduate attribute measurements as well as qualitative feedback.
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 ».