Spring til indhold

Vidensbase om dynamisk studie, bedømmelse og moduler.

Brug referencerne til produktløkken, påstandspolitikken og det tekniske grundlag for AI-bedømt selvstudium.

Sådan fungerer læringsmotoren

Måling og mol

Betydende cifre, enhedsomregninger, mol og formler samt vaner, der opdager regnefejl.

Reaktioner og støkiometri

Afstemning af ligninger, begrænsende reaktanter, opløsningers koncentration, reaktionstyper og redox.

Atomer, bindinger og navne

Elektronkonfigurationer, periodiske tendenser, Lewis-strukturer, molekylform og navne på forbindelser.

Gasser, energi og syrer

Intermolekylære kræfter, gaslove, entalpi, Hess' lov samt syrer, baser og pH.

Atomer, lys og binding

Isotoper, atomspektre, kvantetal, elektronegativitet og hybridisering af orbitaler.

Opløsninger, faser og termodynamik

Titreringer, kolligative egenskaber, fasediagrammer, entropi og fri energi samt kernehenfald.

Kinetik og ligevægt

Hastighedsudtryk, halveringstider, aktiveringsenergi, ligevægtskonstanter og Le Chateliers princip.

Ligevægtsberegninger og elektrokemi

ICE-tabeller, svage syrer og baser, buffere, opløselighedsprodukter og cellepotentialer.

At studere på egen hånd

Hvordan træningen tilpasser sig, hvordan du planlægger den, og hvordan du får den til at holde.

At hjælpe en elev

Til lærere, vejledere, forældre og mentorer, der læser en elevs signaler.

Sådan fremsætter vi påstande

Kilderne bag enhver udtalelse om en model eller en evaluering på dette websted.

Sådan fungerer læringsmotoren

  • Behandler hvert svar som dokumentation, ikke som en endelig score.
  • Presser på, når ræsonnementet virker plausibelt, men ufuldstændigt.
  • Bruger signalet til at vælge det næste spørgsmål i stedet for at starte forløbet forfra.

Produktet omsætter træning til en løbende model af forståelse.

  1. Et svar bliver til belæg.

    Svar, selvsikkerhed, forklaringer og synlig ræsonnering viser, hvad der måske er solidt, og hvad der måske stadig er skrøbeligt.

  2. Belæg opdaterer mestringssignaler.

    Systemet fører et løbende, revisionsegnet skøn over forståelsen på begrebsniveau i stedet for at behandle ét svar som en endelig score.

  3. Grafen former det næste skridt.

    Forudsætninger og relaterede begreber hjælper med at afgøre, om man skal gå videre, genopfriske et fundament eller stille et skarpere opfølgende spørgsmål.

Ikke en fast kursusrækkefølge.

Robotutor er adaptiv, modeldrevet læringsinfrastruktur: træning, vurderinger af beherskelse og opfølgende spørgsmål tilpasser sig, efterhånden som dine signaler ændrer sig.

  • Belægbaseret mestringsmodellering

    Den lærendes belæg vægtes over tid, så gætteri, usikkerhed og selvsikker ræsonnering ikke ser ens ud.

  • Grafbaseret rækkefølge

    Begreber forbindes af kanter for forudsætninger og relaterede idéer, så en vej kan udledes af strukturen i stedet for en fast lektionsrækkefølge.

  • Modsætningsbaseret spørgeteknik

    Spørgsmål prøver ræsonnementet bag et svar af, herunder grænsetilfælde og ændrede antagelser, så misforståelser bliver synlige.

  • Hybrid genfinding

    Semantisk lighed og graftraversering kombineres, så svarene forankres i både mening og eksplicitte begrebsmæssige relationer.

Hvis du har brug for kontohjælp, feedback om lanceringen eller har spørgsmål om produktet, kan du skrive til support@precision-learning.org.