MétaCan
Menu
Retour à la cohorte
Enregistrement W2162533299 · doi:10.24908/pceea.v0i0.5774

TEACHING WISDOM AND OTHER SOFT SKILLS WITHIN ENGINEERING CURRICULA

2015· article· en· W2162533299 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
venuePublié dans une revue dont le pays d'attache est le Canada.

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Education and Curriculum Development
Établissements canadiensMcMaster University
Organismes subventionnairesMcMaster University
Mots-clésSoft skillsAccreditationTeamworkCreativityCurriculumEngineering ethicsCuriosityEngineering educationInclusion (mineral)PedagogyPsychologyEngineeringMedical educationEngineering managementManagementMedicine

Résumé

récupéré en direct d'OpenAlex

Engineering accreditation bodies routinelyexamine the state of university engineering programs toensure currency and relevance. Accreditation by theCanadian Engineering Accreditation Board (CEAB)focuses largely on the development of technical skills andcompetencies. While required graduate attributesacknowledge the inclusion of selected “soft skills”, e.g.communications and teamwork, curricular emphasis leansdecidedly in the direction of achieving technical skillsimplying that soft skill development is squeezed in as anafterthought rather than being afforded deliberaterecognition. Indeed, rapid growth of technologicaldevelopment as well as including content required byregulatory agencies (e.g. health and safety), points towardeven greater pressure to marginalize soft skills, whichparadoxically, seasoned engineering managers look for intheir hires and those considered for promotion.In addition to basic communications and teamwork,important soft skills and competencies include: creativity,collaboration, instilment of a sense of wonder/curiosity,learning to learn, lifelong learning, reading withcomprehension, thinking skills, and the infusion of wisdomto design, problem solving and decision making.Including soft skills development presents a challenge formost engineering professors, often because their owneducation was focused almost exclusively on technicalmaterial. Given this situation and evolving curricularpressures, the challenge becomes identifying ways andmeans of introducing the teaching of wisdom toengineering students.This paper focuses on one particular soft skill: wisdom, aconcept which can be difficult even to define, let aloneconvey/teach. Engineering professors must think throughwhat is meant by wisdom, structure opportunities for theconsideration of wisdom in design/decision makingsituations and develop methods for evaluating theapplication of wisdom – all within existing curricularconstraints. Practical suggestions are advanced to helpengineering professors infuse wisdom into their lectures,tutorials and labs as a matter of accelerating the learningand maturation of their students.

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.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,387
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 GPT0,191
Écart entre enseignants0,186 · 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