MétaCan
Menu
Retour à la cohorte
Enregistrement W4306249961 · doi:10.3991/ijet.v17i19.34575

Software Suite for Self-Paced Learning

2022· article· en· W4306249961 sur OpenAlexaff
Meng Zhang, Zi Xu Gu, Adan Amer, Gaganpreet Sidhu, Seshasai Srinivasan

Notice bibliographique

RevueInternational Journal of Emerging Technologies in Learning (iJET) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensMcMaster UniversityBooth University College
Organismes subventionnairesnon disponible
Mots-clésSuiteClass (philosophy)Computer scienceVariety (cybernetics)TUTORSoftwareMathematics educationMultimediaArtificial intelligencePsychology

Résumé

récupéré en direct d'OpenAlex

The faculty of engineering at XYZ University is very diverse with students coming from a variety of socio-economic backgrounds and nationalities. There is an expected level of prerequisite knowledge for courses in the program, especially for subjects in mathematics and physics. Yet, a significant number of students struggle to reach the same level of prior knowledge as their peers due to a lack of educational resources or due to language barriers. Entering lectures without the expected baseline understanding of the concepts increases the risk of cognitive overload because these students exert additional mental effort in retaining the pre-lecture information along with the lecture content. As a solution to this problem, we present a suite of web-based interactive programs that are accessible to the students outside the class. The Software Suite will provide supplementary material to assist with self-paced learning in a 3rd year undergraduate engineering course, i.e., Finite Element Analysis, at XYZ University’s ABC Department. It will enable students design and analyze various engineering applications, namely, Spring System, Trusses, Beams, Frames, and Heat Transfer along one or two dimensions. The purpose of the interactive platform with several programs is to actively engage the students with this cognitive tool to cement their understanding of the concepts instead of passively perceiving it as a tutor or repository of information.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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: Logiciel · Signal consensuel: Logiciel
Score de désaccord entre enseignants0,106
Score d'incertitude au seuil0,355

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,1060,042

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 Opus0,006
Tête enseignante GPT0,248
Écart entre enseignants0,243 · 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
GenreLogiciel

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

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Emerging Technologies in Learning (iJET)Même sujetExperimental Learning in EngineeringTravaux en français237 207