MétaCan
Menu
Retour à la cohorte
Enregistrement W2026648515 · doi:10.1115/detc2010-28602

Pedagogy of Science in Engineering

2010· article· en· W2026648515 sur OpenAlexaffabout
O.R. Fauvel, Marjan Eggermont, Christine V. McDonald, Dorte Caswell, C. R. Johnston

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Education and Curriculum Development
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésLearning sciencesAccreditationComputer scienceProcess (computing)CurriculumEngineering design processEngineering educationLearning environmentQuality (philosophy)Engineering ethicsEngineeringEngineering managementExperiential learningMathematics educationPedagogyPsychologyMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Definitions of the engineering profession include “…application of scientific principles to design or develop machines, processes, works, etc.” Significant science-based content is therefore a feature of accredited engineering curricula — a feature tending to dominate the early years thereby establishing a particular learning environment. This paper 1) identifies how a dysfunctional relationship between learning of science and the practice of engineering can arise; and 2) presents ways to improve learning of both science and design through integrated science learning. Over the course of almost three decades of trying to improve engineering design learning at the University of Calgary — employing many of the approaches described at length in the engineering education literature — it became apparent that realization of our teaching goals (e.g. quality, innovation, agility, and establishing a basis for life-long learning) might require a fundamental change in the culture of learning. Through a process of re-design plus continuous improvement, the authors have sought to develop a learning environment that establishes a learning culture that can foster the desired attributes. A pivotal aspect of this learning environment lies in the integration of science and design learning at the most fundamental level. Observation of thousands of students working on hundreds of design projects has revealed that desired outcomes can be achieved (Fig. 1).

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,551
Score d'incertitude au seuil0,187

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,236
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetEngineering Education and Curriculum DevelopmentTravaux en français237 207