Augmented Reality Application to Develop a Learning Tool for Students: Transforming Cellphones into Flashcards
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
OBJECTIVE: Flashcards are one of the most popular and optimized ways to learn factual knowledge and improve memory performance. Students of modern age, who use smart technology and mobile devices in their daily lives, often lack the time and motivation to create and use flashcards effectively. We aim to use the inseparable relationship between university students and their smartphones to create new options for higher education, converting their cellphones into flashcards. We have used this new technology to develop a simple application (app) to convert the smart mobile devices of students into flashcards. METHODS: We have developed an augmented reality (AR) flashcard application using Unity3D, which requires the user to identify a target image. Once the target image is identified, it can be replaced by any other digital output, i.e., 2D image, 3D models, or videos. We used images of histological sections of oral mucosa, which dentistry students study as a part of an oral biology course. RESULTS: The AR flashcard application worked on both iOS and Android systems. It was able to detect the target image and replace it with the output image on the device screen. CONCLUSION: Using this application, students will be able to independently learn and self-test their learning at their own convenience. Instructors can use the application to provide additional study aids for the students. Our application, which is being developed as a pilot project, will be expanded and applied as a learning tool for students studying dentistry at the University of Alberta.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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