ENGINEERS AS LIFE-LONG LEARNERS: PEDAGOGICAL TOOLS FOR ENGINEERING GRADUATE ATTRIBUTE DEVELOPMENT
Notice bibliographique
Résumé
We integrate three pedagogical constructs to design a novel toolbox to support engineering graduate attribute development and measurement of life-long learning. These constructs are (i) Bloom’s Taxonomy of Educational Objectives in the Cognitive Domain, (ii) Curriculum mapping to skill levels of Introduction, Reinforcement, Mastery and Assessment (IRMA), and (iii) High Impact Practices (HIPs). We use the toolbox in a single, but in-depth, experiential education research study in our department’s Biomedical and Electrical Engineering program. We formally introduce these pedagogies to a cohort of eighteen final year students. The students then use the toolbox throughout the term to identify and address their own educational needs such that they develop into independent, competent life-long learners. We test the effectiveness of the toolbox using mixed methods research. Bloom’s Taxonomy levels scored by the instructor and the students had a correlation coefficient of 0.36. IRMA mapping was tested using binomial hypothesis testing. The test accepted the alternative hypothesis H1: Student mapping of course learning outcomes to a skill level was informed by the instructor’s pedagogy and followed the same distribution as the instructor's mapping, i.e., the mapping was not random and p≠0.5. Results showed H1: {I (47%), R (84%), M (63%)}. In addition, experiential impressions of life-long learning on the students were gathered through qualitatively written feedback.
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 | 0,013 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».