The DSAIL-GeJuSTA Data Science Education Workshop: Designing a Data Science Curriculum for the African Continent
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The DSAIL-GeJuSTA Data Science Education Workshop was a joint initiative by the Centre for Data Science and Artificial Intelligence (DSAIL) and Gender Justice in STEM Research in Africa (GeJUSTA). GeJUSTA is a programme funded by the International Development Research Centre (IDRC) that is working towards increasing the representation of women in STEM. The workshop was held on 9 November 2023, during the 7 th DeKUT International Conference on Science, Technology, Innovation and Entrepreneurship (STI&E) at Dedan Kimathi University of Technology (DeKUT). The conference ran from 8-10 November 2023. The event successfully convened 31 participants. The composition of the attendees was diverse, ranging from data-science educators, industry participants using data science, researchers who use data science and students in a myriad of courses, including engineering and pharmacy. The primary focus of the workshop was to have a discussion with the attendees and share practices around designing data-science curriculum, strategies for achieving gender equity in data-science education, addressing new technological challenges in education and fostering multidisciplinary approaches to data-science education. This report encapsulates the collective vision of the workshop participants, whose contributions have set the stage for progressive strides in data-science education.
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.
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 | 0,014 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,004 | 0,004 |
| 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 découle