Guidelines for developing and updating short courses and course programs using the ISCB competency framework
Notice bibliographique
Résumé
Competency frameworks have proved to be a powerful tool for curriculum development and assessment across many subject domains, and the field of computational biology is no exception. Efforts from the ISCB to develop and successively refine a set of competencies for bioinformatics education and various associated mapping tools have provided a framework for bringing competency-based design principles broadly to education and training of a wide range of professionals in need of some level of mastery of the principles and practice of computational biology. This document seeks to provide some basic guidance for education and training professionals in the field in how to use this framework effectively. It includes a basic background on competency-based education and the history of the ISCB competency framework specifically, leading up to the Version 3 framework considered here. It then follows with some basic principles of applying competency-based education and an illustration of how they apply to different tasks in curriculum development. Appendices and various linked documents provide further elaboration and helpful guidance on the ISCB competencies specifically and some ways in which versions of them have been used already to develop diverse forms of bioinformatics education and training experience. Our target readerships are trainers and educators working in computational biology or more broadly in the molecular life sciences, medicine, and other disciplines that use biomolecular data, including those working in academia, industry and the public sector.
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 | 0,053 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,039 |
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 ».