MétaCan
Menu
Retour à la cohorte
Enregistrement W7139940733 · doi:10.23919/cnc-usnc-ursi64444.2025.11420127

Using a Dynamic Channel Emulator to Support Over the Air Testing by Student Design Teams

2025· article· W7139940733 sur OpenAlexaff
David G. Michelson

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésChannel (broadcasting)Reliability (semiconductor)Field (mathematics)Process (computing)Air traffic control

Résumé

récupéré en direct d'OpenAlex

Student design teams provide students with opportunities to participate in intramural competitions or major projects and gain practical experience with leading edge technologies. Many of these projects use wireless technology to connect student operators with remote devices such as solarpowered vehicles, electric vehicles, drones, rockets and satellites. Initially, many students pursue such wireless design efforts with a hobbyist's mindset and implement designs based on their best understanding of the problem followed by fixes once issues are observed in the field. In the case of rockets, such an approach is both time-consuming and expensive. In the case of satellites, only a very limited number of software changes are possible once the satellite launched. Accordingly, we are encouraging student design teams to adopt a test culture in which requirements are defined in advance and implementation-independent tests are devised before design begins. This permits a significant number of potential flaws to be identified before the system is fielded and allows students to more fully develop their design intuition. This is not a moot problem. Failure of the communication subsystem has been responsible for approximately 20% of small satellite mission failures over the period between 2000 and 2019. Insufficient system-level integration and testing has been cited as one reason why corrective actions weren't taken to prevent such failures before launch.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,708
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,302
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetExperimental Learning in EngineeringTravaux en français237 207