eTOM -everything on Mac -

分子と化学式を遊びながら覚えよう！ 中学校でならう分子と化学式を、遊びながら覚えましょう。 単体18個、化合物30個の中から問題が出ます。下に一覧をのせます。 上半分が日本語で元素名、下半分が元素記号です。 なにも知らない状態でも、1組めくると解説がでるので、いつの間にか覚えられます。 小テストや定期テスト前の復習用ゲームとして遊んでみましょう。 一覧表 単体：分子をつくるもの（気体） 水素 （H 2 ）：【集め方：水上置換法】宇宙で一番軽く、火を近づけると「ポンッ！」と鳴る。 酸素 （O 2 ）：【集め方：水上置換法】他のものを激しく燃やす「助燃性」がある。 窒素 （N 2 ）：【集め方：水上置換法】空気の約78%を占める気体。 塩素 （Cl 2 ）：【集め方：下方置換法】黄緑色で特有の刺激臭があり、殺菌・漂白作用を持つ。 単体：分子をつくらないもの（金属・その他） ヘリウム （He）：水素の次に軽く、燃えないため風船に使われる。 炭素 （C）：鉛筆の芯（黒鉛）やダイヤモンドの材料。 硫黄 （S）：火山や温泉のにおいの元になる、黄色の粉末。 ナトリウム （Na）：水に入れると激しく反応する、やわらかい金属。 マグネシウム （Mg）：燃やすとピカッと閃光を出して白い粉になる。 アルミニウム （Al）：１円玉の材料。軽くて電気を通しやすい金属。 カリウム （K）：植物の肥料や、人間の体にも必要な金属。 カルシウム （Ca）：骨や歯を作る金属。 鉄 （Fe）：最も身近でよく使われる金属。スチール缶の材料。 銅 （Cu）：10円玉の材料。電気をよく通す赤色の金属。 亜鉛 （Zn）：うすい塩酸に入れると水素が発生する。 銀 （Ag）：金属の中で最も電気や熱を通しやすい。 バリウム （Ba）：硫酸と反応して、白い沈殿を作る。 水銀 （Hg）：常温で唯一、液体の状態である金属。 化合物：気体になるもの アンモニア （NH 3 ）：【集め方：上方置換法】水に超溶けてアルカリ性！噴水実験の主役。 塩...

The Efficiency Trap? Why Reviewing "Only Wrong Answers" Is Actually a Detour Many learners choose to repeatedly solve only the problems they got wrong, believing it "maximizes efficiency." However, latest data simulations have revealed a surprising blind spot in this intuitive approach. Article Summary The "Two-Consecutive-Correct Graduation" Method Builds Solid Skills: It incorporates a mechanism to eliminate lucky guesses (flukes), making it a learning method that promises steady results. Reviewing Correct Answers, Not Just Mistakes, Impacts Speed and Understanding: Reviewing only wrong answers can potentially lead to the formation of weak areas. The simulation suggests that reviewing correctly answered questions as well can dramatically boost the overall expected accuracy rate. Proposing Appropriate Effort Allocation and Points of Focus: We propose an approach that optimizes review effort by effectively utilizing e...

効率の落とし穴？「間違えた問題だけ」の復習が実は遠回りである理由 多くの学習者が「効率を最大化したい」と考え、間違えた問題だけを繰り返し解くスタイルを選びます。しかし、本稿のデータシミュレーションによって、この直感的な手法には意外な盲点があることが明らかになりました。 本記事の要約 「2回連続正答上がり法」は実力を育成する良法： 偶然の正解（まぐれ）を排除する機構を備えており、着実な成果が期待できる学習法です。 誤答だけでなく正答の復習も作業速度と理解度に影響： 誤答問題の復習だけでは苦手分野を形成する可能性があり、正答できた問題にも復習を行うことが全体の正答期待値を飛躍的に高める可能性が示唆されました。 適切な復習労力分配と着眼点の提案： 問題の「タイトル」などを有効活用して復習にかける労力を最適化し、応用性のある抽象概念の習得を目指すアプローチを提案します。 誤答時： 解法のプロセスや基礎事項の理解に注力する。 正答時： 解法の再現性、スピード、別解の検討に注目する。 背景：2回連続正答上がり法とは 効率的な反復学習の基準として、本記事では 「2回連続で正解したらその問題は卒業（クリア）」 とするルールを採用しています。 1回正解しただけでは、短期的な記憶や運による「まぐれ」が含まれる可能性があります。しかし、間に時間を置いた反復の中で2回連続で正解できれば、それは長期記憶に定着したとみなせます。逆に、一度正解しても次に間違えれば、連続正答数は0にリセットされます。 検証：シミュレーションの設定条件 5,000問の学習プロセスを以下の3つのシナリオでシミュレートしました。 学習シナリオ 正解時の確率上昇（c） 不正解時の確率上昇（i） 狙い 間違えた問題だけ復習型 +5% +2...

Learn 24 essential element symbols through a simple matching game. This challenge features 10 random pairs selected from the first 20 elements plus four important metals (Silver, Copper, Iron, and Zinc). The upper cards show the full element names, and the lower cards show their chemical symbols. Even complete beginners can play: each time you flip a pair, a short explanation helps you remember the element and its symbol. Try this as a quick review game before quizzes or exams, or as a fun introduction to the periodic table for science beginners.

中学校でならう元素を、遊びながら覚えましょう。 1番から20番と、Ag,Cu,Fe,Zn から10組の問題が出ます。 上半分が日本語で元素名、下半分が元素記号です。 なにも知らない状態でも、1組めくると解説がでるので、いつの間にか覚えられます。 小テストや定期テスト前の復習用ゲームとして遊んでみましょう。

以下の方法を用いて、2次元データから回帰直線と任意の(x1, y1)が予測曲線上にあるかどうかのp値を算出することができます。  Julia のコードを末尾に載せます。  p値 (pValue) は、0.4974525172673961 になります。   1. 残差平方和 (SSE) の計算 残差平方和 (SSE) は、回帰直線と各データ点との距離の二乗和を表します。 SSEは、回帰モデルがデータにどの程度フィットしていないかを表す指標となります。   計算式 SSE = Σ(yi - ŷi)^2   yi: データ点のy座標   ŷi: 回帰直線による予測値  2. 自由度 (df) と data の標本数の関係  自由度 (df) は、データの独立性に基づいて、統計量 (例: t検定量) の分布を決定するパラメータです。   計算式 df = n - k - 1  n: データの標本数  k: 回帰直線の次数 (線形回帰の場合、k = 1)  3. t 検定量の計算  t検定量は、回帰直線と任意の(x1, y1)が予測曲線上にあるかどうかを検定するために用いられます。   計算式 t = (y1 - ŷ1) / √(SSE / df) y1: 任意の点のy座標 ŷ1: 回帰直線による予測値 Welchの補正 (等分散性の仮定が成立していない場合) t = (y1 - ŷ1) / √(SSE / df * (1 / n + (x1 - x̄)^2 / Σ(xi - x̄)^2)) y1: 任意の点のy座標 ŷ: 回帰直線による予測値 SSE: 残差平方和 df: 自由度 n: データの標本数 x1: 任意の点のx座標 x̄: データのx座標の平均 Σ(xi - x̄)^2: データのx座標の偏差の二乗和 4. Julia のコード ------- using Distributions, DataFrames, GLM # データの準備 x = [1.2, 2.1, 3.0, 4.1, 5.2] y = [2.1, 4/2, 6.3, 8.5, 10.1] dat...