DIVERSITY IN ENGINEERING UNDERGRADUATE EDUCATION: A CASE FOR NONCOGNITIVE VARIABLES IN ENGINEERING ADMISSIONS
Notice bibliographique
Résumé
In this paper we investigate anoncognitive assessment tool that can be used inconjunction with traditional, cognitive approaches (e.g.,high-school averages) to undergraduate engineeringadmissions. The motivation for this work relates to theSchulich School of Engineering’s desire to attractstudents who bring a wide range of interest and abilitiesbased on cultural, race, gender or other aspects ofdiversity. Our hope is that a holistic approach toadmissions will provide us with a means to consider abroader, more diverse student population, while stillproviding good predictors of student success in first yearengineering.We describe a pilot study where all students student inthe Schulich School of Engineering’s first yearengineering design and communication course wereasked to complete the Noncognitive Questionnaire (NCQ)at the beginning of the Fall 2014 term. The results of thissurvey are then compared to overall student performanceat the end of the Fall 2014 term to gauge the correlationbetween NCQ scores and student performance. The resultof our study show that the NCQ is most useful for transferstudent admissions where the population is nonhomogeneous(i.e., arriving from a variety of institution,various age and experience levels), while average gradeis the best predictor of student success for high-schooladmissions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».