Expectations of Student Engaged in Tertiary Education on Engineering Courses from Their Teachers of Choice
Notice bibliographique
Résumé
Although several learning theories ranging from behaviourism to cognitive to humanism have been proposed to choose the appropriate effective teaching models, none can be applied across the broad to all learners in all situations, nevertheless some commonalities emerge. A combination of pedagogical and andragogical, “middle of the road” approach meets the need of a larger segment of the audience. Our experiences and many surveys confirmed that the theory of behaviourism may be well suitable to first and second year students and cognitive approach may be well fit to third and forth year students. Only for supervising final year project work, the theory of teachers and students work together, humanism may be adoptable. The survey was conducted among the students enrolled for engineering courses in Curtin University, Sarawak to assess the grade of importance on twelve basic aspects of knowledge, skill and planning expected from the teachers. This paper describes the analysis of the action survey results and summaries of the recommendations for the effective teaching. The survey concludes that each well defined lecture arranged in right sequences should be orally presented in a simple constructive language with the consistent flow speed optimum suitable to majority of the audience for better learning outcomes. Language proficiency and fluency are not the barriers for the successful teaching to multicultural class room in tertiary education. It concludes that “Teachers of student choice” are not born and they are trained by acquiring required relevant knowledge and sincere practice of delivering the lectures in an optimum suitable way to the audience for effective learning.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».