MétaCan
Menu
Retour à la cohorte
Enregistrement W4386800691 · doi:10.23977/aetp.2023.071101

Research on Low-cost Digital Teaching in Electrotechnical Experiments

2023· article· en· W4386800691 sur OpenAlexvenueno aff
Hongliang Li, Jianhong Dong, Shiquan Lv, Yanqing Guo, Dejian Hou, Yi Zhang

Notice bibliographique

RevueAdvances in Educational Technology and Psychology · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensnon disponible
Organismes subventionnairesHanshan Normal University
Mots-clésClass (philosophy)Process (computing)Computer scienceQuality (philosophy)ControllabilitySimple (philosophy)SimulationMultimediaArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Today, with the development of digital teaching, virtual simulation has the advantages of high security, controllability and repeatability, strong sense of experience, and remote operation, and it has a wide range of application space. However, due to the large investment cost in the early stage of its construction, it is currently mainly used to assist experimental teaching, and there are still many experimental courses that cannot achieve high-level digital construction through virtual simulation. This paper studies the digital construction of electrical engineering experimental courses under low-cost conditions, and makes use of the advantages of MOOCs to build a good and rich theoretical foundation platform to provide students with sufficient preview materials and extended knowledge combined with practice. Use Flash to make simple virtual simulation experiment GIFs, show the basic operation process of the experiment facing each other the students in advance, which can be used for students' pre-class preview and after-class review; Make high-quality experiment operation videos for students to learn the details of experiments. In the process of research, we pay attention to combining experiments, students, teachers, costs and other factors to explore the digital construction path that suits us.

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: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,295
Score d'incertitude au seuil0,526

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,024
Tête enseignante GPT0,428
Écart entre enseignants0,404 · 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'étudeThéorique ou conceptuel
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Educational Technology and PsychologyMême sujetExperimental Learning in EngineeringTravaux en français237 207