Catalyzing Collaborative Science: Empowering Undergraduate Immunologists for Cross-disciplinary Success 4024
Notice bibliographique
Résumé
Abstract Description The evolving workplace increasingly demands effective collaboration across diverse, cross-disciplinary teams to tackle global challenges. This is particularly relevant in immunology, which intersects biology, engineering, and medicine. Immunologists must learn to collaborate with experts from various fields, including biomedical engineering and statistics, yet undergraduate life sciences programs offer limited opportunities for such interactions. Most team projects involve only peers within the same discipline, with few chances to collaborate with students from other institutions. To address this gap, we developed a hybrid pedagogical model that fosters collaboration between undergraduate students at the University of Toronto’s Department of Immunology and the University of British Columbia’s School of Biomedical Engineering. This model simulates real-world immunoengineering collaborations, promoting skills in teamwork, conflict resolution, and project management. In a Scholarship of Teaching and Learning (SoTL) study, we surveyed students’ attitudes towards cross-disciplinary collaboration and assessed their skill development over the course. Here, we detail our scaffolded approach to encourage collaboration in a cross-disciplinary, cross-institutional project and share insights from our SoTL study. Our findings aim to inform future course offerings and training initiatives, ultimately preparing immunologists for effective cross-disciplinary collaboration. Topic Categories Immunology Education and Communication (EDU)
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 | 0,003 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».