Iskanje po repozitoriju

Narava kot učilnica : primerjava gozdnih vrtcev v Sloveniji in na Finskem
Lucija Žerjal, 2026, diplomsko delo

Ključne besede: gozdni vrtec, gozdna pedagogika, naravno okolje, predšolska vzgoja, učenje v naravi, finski model
Objavljeno v RUP: 13.08.2026; Ogledov: 170; Prenosov: 11
Celotno besedilo (843,48 KB)

Sistemski pristop k oblikovanju dostopne medgeneracijske poti v Vipavski dolini : magistrsko delo
Žan Hodžič, 2026, magistrsko delo

Ključne besede: dostopnost, univerzalno oblikovanje, vključujoči pristopi, tematske poti, vzročno-zančni model, participacija, sistemska dinamika
Objavljeno v RUP: 15.07.2026; Ogledov: 333; Prenosov: 20
Celotno besedilo (838,16 KB)

Dejavniki blagostanja šolskih svetovalnih delavcev osnovnih šol s prilagojenim programom širše Savinjske regije : magistrsko delo
Pija Verbič, 2026, magistrsko delo

Ključne besede: subjektivno blagostanje, Keyesov model blagostanja, svetovalna služba, osnovne šole s prilagojenim programom, potrebe svetovalnih delavcev
Objavljeno v RUP: 03.06.2026; Ogledov: 396; Prenosov: 26
Celotno besedilo (578,87 KB)

Vloga generativne umetne inteligence pri razvoju spretnosti samoregulacije učenja : the case of Slovenia’s DC pensions
Alja Polanec, Sonja Čotar Konrad, 2026, samostojni znanstveni sestavek ali poglavje v monografski publikaciji

Opis: V prispevku naslavljamo vlogo generativne umetne inteligence (Gen-UI) pri učenju in poučevanju, s katero lahko podpremo individualizirano in diferencirano učenje in vklju čimo analizo napredka pri učenju ter prilagajamo učne strategije posamezniku. Osrednji proces učenja, ki ga z Gen-UI lahko podpremo, je samoregulacija učenja (SRU). V pri spevku obravnavamo najpogosteje navedena modela SRU, ki poudarjata medsebojno povezanost in cikličnost faz načrtovanja, izvedbe in samorefleksije učenja, pri čemer v vsaki fazi nakažemo, kako lahko vključevanje Gen-UI podpre vsako izmed njih. Nada lje izpostavljamo, kako lahko orodja Gen-UI vključujemo v različne komponente SRU: na kognitivni ravni s spodbujanjem strategij ponavljanja, elaboracije in organizacije z omogočanjem sinteze znanja, iskanja analogij ter oblikovanja konceptualnih povezav; na metakognitivni ravni podpira načrtovanje (npr. določanje SMART ciljev), spremljanje razumevanja in refleksirano vrednotenje; na motivacijsko-čustveni ravni prispeva k večji samoučinkovitosti, notranji motivaciji ter zmanjševanju testne anksioznosti. V prispev ku izpostavljamo tudi nove modele vključevanja Gen-UI v učenje in poučevanje, kot sta HHAIR (Hybrid Human-AI Regulation) in ISAR (Inversion, Substitution, Augmentation, Redefinition), ki poudarjata postopno prenosljivost samoregulacijskih spretnosti z UI na učenca ter redefinicijo učnih procesov kot najvišje ravni podpore učenju in poučevanju z vključevanjem Gen-UI. Kljub številnim prednostim rabe Gen-UI opozarjamo tudi na tve ganja, kot so čezmerno zanašanje na tehnologijo, zmanjšanje kritičnega mišljenja, meta kognitivna pasivnost, kognitivna lenoba in pristranost. Zato je učinkovitost rabe Gen-UI za spodbujanje SRU odvisna od smiselne, ozaveščene in reflektirane uporabe, ki lahko podpre poglobljeno in odgovorno samoregulacijo učenja.
Ključne besede: generativna umetna inteligenca v izobraževanju, samoregulacija učenja, kritično mišljenje, model HHRI, model ISAR
Objavljeno v RUP: 22.04.2026; Ogledov: 602; Prenosov: 22
Celotno besedilo (1,24 MB)
Gradivo ima več datotek! Več...

Fast prediction of protein flexibility
Jure Pražnikar, 2026, izvirni znanstveni članek

Opis: Motivation Advances in hardware have made molecular dynamics (MD) simulations of protein structures faster and more accessible to the scientific community. However, accurately estimating protein flexibility using MD remains computationally demanding, especially for large systems and long time scales. Several MD-based resources—including MdMD, the DynamD database, and more recently ATLAS and mdCATH—now provide MD trajectories for thousands of proteins, enabling the development of predictive models. Results Here, the Graphlet Degree Vector (GDV) is introduced as a lightweight, fast, and easy-to-implement linear model for predicting protein flexibility directly from atom coordinates. GDV is a 15-dimensional feature vector that captures local packing and the spatial connectivity of each atom with its nearby neighbors. Trained on a subset of globular-like proteins from the ATLAS database, the GDV model achieves a Spearman correlation of 0.828 compared to MD data. The model trained on ATLAS dataset was further evaluated on independent Nuclear Magnetic Resonance and cryo-electron microscopy datasets, demonstrating the robustness and generalizability of the GDV-based approach. A key advantage of the GDV model is that it requires no additional external or experimental data and can be applied in near real time (on the order of 10 seconds) even for large proteins with 20,000 atoms on a standard desktop or laptop. Overall, the results show that a lightweight, fast, and purely coordinate-based model can provide accurate and generalizable predictions of protein flexibility across diverse folds and sizes.
Ključne besede: protein flexibility, graphlets, predictive model
Objavljeno v RUP: 16.04.2026; Ogledov: 561; Prenosov: 13
Celotno besedilo (10,69 MB)
Gradivo ima več datotek! Več...