MétaCan
Menu
Retour à la cohorte
Enregistrement W4308912825 · doi:10.24908/pceea.vi.15861

Efficacy of Virtual Equipment Training

2022· article· en· W4308912825 sur OpenAlexafffundvenueabout
Justine Boudreau, David Nku, Hanan Anis

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueDigital Transformation in Industry
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Ottawa
Mots-clésVirtual realityVirtual trainingComputer scienceVirtual machineInstructional simulationTraining (meteorology)Virtual prototypingResource (disambiguation)Space (punctuation)Plan (archaeology)SimulationMultimediaHuman–computer interactionOperating system

Résumé

récupéré en direct d'OpenAlex

The University of Ottawa faculty of engineering, in Ottawa Canada, is home to multiple rapid prototyping facilities as well as entrepreneurship spaces. This includes a makerspace, a machine shop and a design space for any student to use free of charge. Due to COVID-19 the spaces were either shut down or running virtual activities where possible. In the absence of any significant virtual content for learners, virtual computer simulations and virtual reality simulations were developed for various technologies including a manual mill and lathe, a laser cutter and soldering. Even as the COVID-19 restrictions are being lifted, the virtual simulations will be used as a pre-training introduction for in-person sessions. This paper aims to understand how well the virtual training simulations compare and compliment the in-person training for different equipment. Factors considered are the level of previous knowledge and level of interest in the equipment. The same assessment will be given to 3 groups of participants: those who have only done the virtual training, who have only done the in-person training and who have done both. The results from each group will be compared and analyzed to determine the efficacy of the virtual simulation and what advantages it has as a pre-training resource.

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)0,000
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,666
Score d'incertitude au seuil0,592

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,011
Tête enseignante GPT0,196
Écart entre enseignants0,185 · 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'étudeSans objet
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

Citations1
Publié2022
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetDigital Transformation in IndustryTravaux en français237 207