MétaCan
Menu
Retour à la cohorte
Enregistrement W2069070139 · doi:10.1109/fie.2011.6142872

Enabling scalability, richer experiences and ABET-accreditable learning outcomes in computer science Capstone courses through inversion of control

2011· article· en· W2069070139 sur OpenAlexfundno aff
Thomas E. Bihari, Igor Malkiman, Moez Chaabouni, Joe Bolinger, Jay Ramanathan, Rajiv Ramnath, Michael Herold

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensnon disponible
Organismes subventionnairesCanada Excellence Research Chairs, Government of CanadaNational Science Foundation
Mots-clésCapstoneScalabilityComputer scienceInversion (geology)Control (management)Artificial intelligenceAlgorithmDatabase

Résumé

récupéré en direct d'OpenAlex

Capstone courses are expected to prepare students for the “real world” by putting them into a microcosm of the real world. In these courses, students are given a problem of some complexity, and are expected to exercise and develop problem-solving skills as they address the problem. Within our Computer Science and Engineering program we have, over the past eight years, successfully scaled up the Capstone courses. Doing so has required innovative thinking about the roles of the students, faculty, and project sponsors. In this paper, we discuss issues with scaling up the components that have made this program successful. These include housing the courses in an NSF IUCRC that enable the cultivation of highly-committed industry partners, the creation of strong pre-requisite courses, careful development of faculty resources through the selective hiring and mentoring of clinical faculty, a commitment of the faculty to give up close management and control, strong partnerships with other organizations within the university to provide students greater access to resources, an emphasis on cross-team knowledge sharing and learning, and the development of unique assessment and evaluation tools so as to be able to monitor, measure and fairly assess a wide-spectrum of projects.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,589
Score d'incertitude au seuil0,610

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 savante0,0000,001
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 Opus0,014
Tête enseignante GPT0,234
Écart entre enseignants0,220 · 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'étudeSimulation ou modélisation
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

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetExperimental Learning in EngineeringTravaux en français237 207