COMPUTER-BASED LEARNING SOFTWARE FOR ENGINEERING STUDENTS
Notice bibliographique
Résumé
The rapidly evolving technological knowledge required by engineers imposes important challenges on how to best prepare the engineering workforce of the future. Novice engineers are faced with formulating creative solutions to problems they have never seen before; they did not really learn to solve "real world messy problems". Problem-solving in engineering requires the use of disciplinary-based heuristics that are not immediately apparent to novices in the field. The aim of this study is to evaluate and expand engineering education using cognitive apprenticeship as an instructional framework. Cognitive apprenticeship outlines pedagogical strategies that makes visible experts` problem solving heuristics to support novices in becoming more proficient. This work will provide an overview of a computer-based learning environment in a classroom with third- and fourth-year undergraduate students. First, we discuss the implementation of cognitive apprenticeship in the classroom and evaluate the learning outcomes of students with individual differences in learning styles. Second, we apply cognitive apprenticeship principles to guide the design of a Civil Engineering tutor, a computer-based learning environment that serves as a cognitive tool outside the classroom. The design of the software is driven by a cognitive task analysis of several knowledge areas that mediates competency in calculating the snow loads on buildings. This teaching tool includes the main assumptions of the cognitive apprenticeship approach and also defines instructional methods for enhancing learning. We analyze user satisfaction towards the different features of the software and derive some implications for future innovative educational tools.
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 | 0,001 |
| 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 | 0,001 | 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 ».