Exploration and play are core components of sports-related computer science learning. This study explores how youth collaborate and compete in an activity with an AI-embedded sports application. The activity design and technology fosters interactions where the youth leverage their bodies, social interactions, and the camera's view to construct knowledge around computational concepts and gaming practices. Through interaction analysis of video recordings, we examine how social and embodied engagement with the technology's live camera feed enables an interplay between collaboration and competition. The study highlights the value of designing sports technologies and experiences for social sensemaking where youth have opportunities to collaboratively make sense of how these technologies work, such that they can use them productively while being aware of possible shortcomings. Designing game-based sports training technologies like this opens up space for shared social sensemaking around complex technologies, and developing computing knowledge while improving athletic skill.

Abstract Diffusion coefficients often vary across regions, such as cellular membranes, and quantifying their variation can provide valuable insight into local membrane properties such as composition and stiffness. Toward quantifying diffusion coefficient spatial maps and uncertainties from particle tracks, we use a Bayesian method and place Gaussian Process (GP) Priors on the maps. For the sake of computational efficiency, we leverage inducing point methods on GPs arising from the mathematical structure of the data giving rise to non-conjugate likelihood-prior pairs. We analyze both synthetic data, where ground truth is known, as well as data drawn from live-cell singlemolecule imaging of membrane proteins. The resulting tool provides an unsupervised method to rigorously map diffusion coefficients continuously across membranes without data binning.