A Didactic Activity for Introducing Design and Optimization of Experiments Assisted by Revised Bloom's Taxonomy
Notice bibliographique
Résumé
The methodology used in this study was action-research and the considered activity is been applied successfully for at least five years to undergraduate and to master classes for Industrial Engineering students in Brazil. It showed a significant result in both cases, providing the basis for the deepening in the subject in further lessons. Therefore, the main purpose of this paper is to present this didactic activity that uses a statistical software to introduce the subject Design of Experiments (DoE) starting from a simple process of everyday life. Despite DoE in Brazil being emphasized in Industrial Engineering, this issue is extremely relevant in all areas of research where there is experimentation. The activity’s idea was to make students able to interact and understand the concepts of planning and optimizing experiments in a natural and intuitive way by following seven steps proposed in the literature: 1. Recognition and statement of the problem, 2. Choice of factors, levels, and ranges, 3. Selection of the response variable, 4. Choice of experimental design, 5. Conduction of experiment, 6. Statistical data analysis, and 7. Conclusions and recommendations. In order to confirm and strengthen the learning process, some exercises are then offered to students. To ensure the effectiveness, the exercises were designed based on the new version of the Taxonomy of Educational Objectives, also called Revised Bloom's Taxonomy. This proposed exercises discuss the content at all levels of the cognitive domain.
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 | 0,001 | 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 ».