Changing the sources and usage of energy for a better and sustainable future for all: Proceedings from the 2021-2022 High School Big Data Challenge
Notice bibliographique
Résumé
STEM Fellowship’s High School Big Data Challenge is an inquiry-driven experiential learning program that provides students an opportunity to learn and apply the fundamentals of data science – a crucial skill set for a young researcher in the digital age – through independent research projects. The COVID-19 pandemic disrupted high school education, at the same time creating a “fertile ground” for interdisciplinary, student-driven STEM education. This year, we invited students to explore issues of Affordable and Clean Energy at the Individual and Community Levels and to suggest their own evidence-based solutions, using Open Data and the principles of Open Science. Students explored many topics, ranging from Greenhouse Gas Emissions of School Buses to Legitimacy of Electric Vehicles to be the Greener Alternative We developed in-depth learning modules designed to bridge the gap between traditional high school courseware and digital reality and computational science. The students learnt a broad range of data analytics tools and programming languages which are useful for uncovering hidden patterns, trends in structured and unstructured data. Some of the tools the students learnt and used include Python, R, LaTeX, and machine learning. On behalf of the STEM Fellowship, we extend our sincere congratulations to all students who participated in the challenge, and wish them the best for their future endeavours. We want to express our appreciation to all the mentors and volunteers. This program would not be possible without patronage of CC UNESCO and generous support of our sponsors: RBC Future Launch, Let’s Talk Science, Digital Science, Infor, SCWST, CISCO Networking Academy, Canadian Science Publishing, and the University of Calgary Hunter Hub for Entrepreneurial Thinking. It has been a privilege for us to witness the analytical capabilities of the data-native generation of students first hand, and we are certain all entrants will continue to demonstrate excellence in their respective academic and professional careers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,013 | 0,006 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».