MétaCan
Menu
Retour à la cohorte
Enregistrement W3117106338 · doi:10.1021/acs.jchemed.0c00222

Project-Based Learning Experience That Uses Portable Air Sensors to Characterize Indoor and Outdoor Air Quality

2020· article· en· W3117106338 sur OpenAlexaff
Jessica C. D’eon, Laura T. Stirchak, Abenen-Shepsu Brown, Yusra Saifuddin

Notice bibliographique

RevueJournal of Chemical Education · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality Monitoring and Forecasting
Établissements canadiensVisions of Science Network for LearningUniversity of Toronto
Organismes subventionnairesAlfred P. Sloan Foundation
Mots-clésExperiential learningSet (abstract data type)Air quality indexComputer scienceCitizen scienceAttendanceMathematics educationMultimediaPsychologyMeteorology

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Understanding how to interpret and manipulate large data sets is increasingly important today; however, this experience has been slow to trickle down to the typical undergraduate student. Here, we describe the implementation of a project-based learning experience that uses portable air sensors for the real-time measurement of carbon dioxide, ozone, and particulate matter, providing students with data sets that include thousands of measurements. These projects allow students to design their own research question and then independently carry out relevant air sampling. Data visualization was used as a tool to identify trends and relationships among analytes and was emphasized as a way to effectively present these findings to an audience. We have implemented the projects over two academic years with diverse student populations, from high school summer research students to senior undergraduate and graduate students in an environmental analytical chemistry course. The extent of mentoring, and the students’ competencies in atmosphere chemistry and spreadsheet and graphing software, were not equivalent between these groups, but all were able to execute successful projects. The projects often focused on the indoor environment as concentrations are not well characterized and tend to vary with human activity, which lend themselves to the development of testable research questions. The paucity of data on indoor concentrations means that, in addition to a valuable experiential learning opportunity, students were engaged in a legitimate citizen science exercise as they set about characterizing a diverse set of indoor environments.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0020,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0180,007

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 Opus0,071
Tête enseignante GPT0,330
Écart entre enseignants0,258 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical EducationMême sujetAir Quality Monitoring and ForecastingTravaux en français237 207