Teaching Reform and Practice Based on Four Dimensions and One Penetration for Sensing and Detection Technology
Notice bibliographique
Résumé
Sensing and Detection Technology is a core course in engineering specialties. Traditional sensor teaching methods have obvious deficiencies in cultivating students’ ability. To better foster students’ comprehensive qualities, this study explored a 4D1P (Four Dimensions and One Penetration) teaching mode. We independently developed an industrial sensor teaching platform with intellectual property rights, integrating classroom and sensor experiments to address the disconnection between traditional sensor teaching and practical application. This mode combined the teaching platform with SPOC (small private online courses) and Rain Classroom teaching software, enriching classroom teaching and stimulating students’ interest. By applying industry-academia-research integration to sensor teaching, students’ horizons were broadened and their creative thinking enriched. The mode set up discussion-based learning in the classroom, making the class atmosphere lively. Throughout the teaching process, data-driven learning and teaching evaluation were consistently applied, allowing teachers to promptly understand students’ learning situations. Data shows that under the backdrop of the COVID-19 pandemic, students’ grades improved and they were satisfied with this teaching mode. This mode solves most current problems in university classroom teaching and significantly enhances students’ practical abilities. It also has certain significance for education in other 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».