MétaCan
Menu
Retour à la cohorte
Enregistrement W4307405249 · doi:10.1002/jsid.1182

“Deep approaches to learning” in a project‐based nanofabrication graduate course

2022· article· en· W4307405249 sur OpenAlexaff
Mary X. Tang, Swaroop Kommera, Usha Raghuram, Michelle Rincon, Xiaoqing Xu, Jonathan A. Fan, Roger T. Howe

Notice bibliographique

RevueJournal of the Society for Information Display · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueNanotechnology research and applications
Établissements canadiensMicrosemi (Canada)
Organismes subventionnairesDivision of Electrical, Communications and Cyber SystemsSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNational Science Foundation
Mots-clésTeamworkComputer scienceScheduleProject-based learningClass (philosophy)Graduate studentsPeer assessmentCourse (navigation)Engineering managementMathematics educationPsychologyArtificial intelligencePedagogyEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract We describe a graduate‐level, laboratory course that is structured as a “master class” in experimental research project planning and execution. Students work in teams to engage in project topics of their choosing, ideally relevant to their own areas of research, that make use of the university's shared fabrication and characterization facilities. After developing their project plans, which includes a schedule, budget, and milestones, students execute them under the guidance of their mentors. The aim of the course is that the students develop deep conceptual knowledge of the practice of experimental science, with regard to: project planning and execution, effective communication and teamwork, technical rigor, and peer review. Because students learn by applying these skills to topics that are personally relevant to them, this course can be described as using on deep approaches to learning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,373
Score d'incertitude au seuil0,184

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,267
Écart entre enseignants0,213 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Society for Information DisplayMême sujetNanotechnology research and applicationsTravaux en français237 207