COMET’s Education and Training for the Worldwide Meteorological Satellite User Community: Meeting Evolving Needs with Innovative Instruction
Notice bibliographique
Résumé
Since 1989, the COMET<sup>&#xAE;</sup> Program&#x2019;s staff of instructional designers, scientists, graphic artists, and web developers has been creating targeted, effective, and scientifically sound instructional materials for the geosciences in multiple languages and formats. The majority of COMET training materials and services are available via COMET&#x2019;s online training portal, MetEd. MetEd hosts over 500 self-paced English-language lessons, which are freely available to registered users. The lessons cover a broad array of topics, including satellite meteorology, numerical weather prediction, hydrometeorology, oceanography, aviation weather, climate science, and decision support. Nearly 300 lessons have been translated to other languages. NOAA NESDIS, EUMETSAT, the Meteorological Service of Canada, and the US National Weather Service all provide funding and subject matter expertise for satellite training efforts at COMET. The COMET team is focused on helping our sponsors refine their learning objectives and produce instructional material that is focused on learner engagement, knowledge retention, and measurable performance improvement. The COMET Program has continually transformed its instructional approach to better meet the shifting needs of learners. Our satellite remote sensing educational and training materials provide sound foundational knowledge for existing and new satellite products paired with increasing opportunities to apply that knowledge.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».