MétaCan
Menu
Retour à la cohorte
Enregistrement W4382751123 · doi:10.3390/su151310350

Undergraduate Internship on Yamuna River Exploration: Raising Awareness about SDG6

2023· article· en· W4382751123 sur OpenAlexaff
Sunita Gupta, Parul Kulshreshtha, Divya Aggarwal, Deuvshree Sharma

Notice bibliographique

RevueSustainability · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring Technologies
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesDepartment of Biotechnology, Ministry of Science and Technology, India
Mots-clésInternshipField tripCurriculumEcologySociologyPedagogyMedical educationPolitical scienceMedicineBiology

Résumé

récupéré en direct d'OpenAlex

A semester-long internship was designed for undergraduate students at the University of Delhi, India. Teams comprising 30 students from all over the University were trained to carry out field exploration activities on the Yamuna River flowing in Delhi. The students were provided with portable kits to measure the physicochemical parameters at a selected bank of the Yamuna River. Students documented the invertebrate fauna in the riparian zone of the banks. At the same time, they noted the anthropogenic polluting activities on the bank of the Yamuna River. This internship educated students about the UN’s Sustainable Development Goals (SDGs). They all studied Ecology and Environmental Science in their undergraduate curriculum, but they all confessed that they were unaware of the 17 SDGs and the deteriorating health of the Yamuna River in the city. We educated students about the freshwater emergency recovery plan and the International Union for Conservation of Nature (IUCN) red list of ecosystems. This internship is a great example of an undergraduate-directed study or research experience that supported student constructivism and inquiry-based learning, and this research article elaborates on student reports and situational interest in freshwater biology to achieve SDG6.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,498
Score d'incertitude au seuil0,909

Scores Codex et Gemma par catégorie

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

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 Opus0,072
Tête enseignante GPT0,336
Écart entre enseignants0,264 · 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'étudeObservationnel
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetWater Quality Monitoring TechnologiesTravaux en français237 207