The CoViBE: An Innovating Self-Paced Elearning to Teach Virtually Bench-Top Practice
Notice bibliographique
Résumé
COVID-19 pandemic is a disaster and prolonged crisis that has disrupted the education of millions of students with the closure of schools and universities in world-wide. This hard situation rises the necessity to develop a new teaching method to solve the problem of the massive disruption specially to practice work access. The goal of this paper is to set-up an innovative teaching approach for practical work. The comic as a new self-paced e-learning product to teach bench-top practice: the “CoViBE’’ which means Comic Virtual Bench-top Elearning. For using comics to transform practical work sessions by distance you should at first list all the steps that you need to perform your experiment. Then, you choose the actors and material images. For the third step, you have to decide how many frames you need to your comic trip to develop the following instructions: How to do, What to do, What not to do and What to ask. Moreover, you need to provide flashbacks to remind students what kind of knowledges they need to carry on their experiment; the final step is to include humor. Using online survey, positive feedbacks of 179 students on the CoViBE impact about their learning of practical work allowed us to determine around 80% of satisfaction. Finally, during any other situations for the training period, the CoViBE concept could be used in the future to complete practical work session for revisions, for the internationalization of this education system through distance work and for a hybrid education system.
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 | 0,001 | 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 ».