Notice bibliographique
Résumé
Dave Sahota, class of 1999, grew up in Ottawa and didn’t feel like the school there offered enough opportunities or challenges. IMSA seemed like an obvious choice to expand learning opportunities and find other like-minded students.\nIn eighth grade Sahota visited IMSA on a field-trip and was excited by the labs and the students he saw. On arrival sophomore year, fall 1996, he recalls immediately being thrown into new experiences. He played soccer and baseball and got involved in math team, chess club, and Club Pseudo. He also recalls the excitement of in-room networking, his first exposure to an internet connection faster than dial-up.\nIn terms of classes, he particularly liked physics and math. However, he found the humanities classes more engaging and challenging than he’d expected, particularly Dr. Kiely’s history class and English with Pat McWilliams. The English classes overall sparked his interests in reading. Senior year, Sahota took a number theory class with Dr. Fogel and it led him to eventually do a Ph.D. in math. He struggled in the class, but the challenge helped him see what he could do. Overall, he appreciated the IMSA curriculum’s general approach to learning through practical problem-solving and collaboration.\nAfter graduating from IMSA Sahota attended the University of Illinois at Chicago. His classes at IMSA had given him a solid grounding and helped make the transition to college easier. After undergrad, Sahota stayed at UIC and completed a Ph.D. in math. He worked in quantitative finance for several years and recently completed a master’s in computer science. He currently works as a data scientist at Facebook. He also teaches occasional classes and looks back to his IMSA classes as a model for teaching.\nInterviewer: Sara Goek. Duration: 24:32
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 | 0,002 | 0,008 |
| 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 | 0,000 | 0,001 |
| 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; 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 ».