Video-Based Bioinformatics Tutorials Developed as an Open Educational Resource to Improve Students’ Understanding and Practice in Data Science Analyses
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide With the development of digital pedagogical resources, courses, and the recent COVID-19 pandemic, there has been a rise in the use of video-based learning (VBL) and teaching as one of the primary methods of instruction. Additionally, in recent years, bioinformatics has surfaced as an integral discipline in life sciences, where scientists are able to manipulate and analyze large sets of data. As a result, the need for digitally enhanced undergraduate and graduate teaching of basic bioinformatics skill sets of an applied nature has become increasingly high. Here, we designed and implemented a set of video-based bioinformatics tutorials as an open educational resource to be taught in an online synchronous, asynchronous, as well as HyFlex setting. These tutorials were designed to identify a ligand against unknown amino acid and nucleotide sequences to unveil their context in diverse species. This was achieved by navigating online bioinformatic databases, performing multiple sequence alignment, phylogenetic analyses, protein structure prediction/comparison, and docking. In the end, students also completed a survey questionnaire outlining their experience with the VBL. By the end of the term, VBL enabled the students to learn and apply bioinformatic concepts and tools to predict the protein structure from an unknown sequence and dock it with the ligands. Students rated VBL as one of the most powerful learning mediums out of many used as part of the module. Bioinformatic videos, besides capturing and distributing the bioinformatic information, also provided an invigorating environment where students better learned, understood, and retained the content.
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 | 0,003 | 0,009 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».