Crafting Technology-Enhanced Educational Videos for Visual Learners
Notice bibliographique
Résumé
This paper discusses aspects of my teaching practice, how my students perceive it, and my reflections on it. The discussion is meant to allow cross-disciplinary educators to consider adopting or adapting from my approach. Students entering the CS or Software Engineering discipline have limited prior exposure to the taught subjects. What exacerbates their learning difficulty is the class size, restricting instructor’s intentional pauses and interactions. Furthermore, there is often a gap between the theoretical insights covered in lectures and the technical pre-requisites for completing the experiential laboratory assignments. My belief in inclusive teaching has led me to support student learning and engagement through an integrated use of: 1) a drawing tablet, replacing the conventional, in-class whiteboard and mirrored to the computer desktop, for illustrating concepts and examples; 2) choreography of computer desktop activities, e.g., slide presentation, illustrations on the drawing tablet and programming IDEs; and 3) recordings accessible outside the classroom for students’ self-paced learning and review. I have acquired my experience and expertise from recording 500+ lectures and 150+ hours of tutorials, where the unifying theme is the constant and frequent use of the drawing tablet for building illustrations, from scratch, of abstract concepts and/or complex examples. In all videos, the same level of clarity, quality of presentation, and proficiency of choreographing visual annotations is maintained. As a voluntary service to my community, I designed and have been running a course designed to share my teaching experience and reflections with fellow instructors across academic disciplines.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».