MétaCan
Menu
Retour à la cohorte
Enregistrement W2594620430 · doi:10.24908/pceea.v0i0.6476

FROM MECHANICAL ENGINEERING CAPSTONE DESIGN TO DESIGN IMPLEMENTATION

2017· article· en· W2594620430 sur OpenAlexafffundvenueabout
Patrick Dumond, Eric Lanteigne

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Education and Pedagogy
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Ottawa
Mots-clésCapstoneEngineering design processCapstone courseSystems engineeringEngineering managementEngineering educationExperiential learningComputer scienceRapid prototypingEngineeringSoftware engineeringMechanical engineeringMathematics educationMathematics

Résumé

récupéré en direct d'OpenAlex

Traditionally, mechanical engineering capstone courses focused on teaching students the application of fundamental engineering theory to complex mechanical designs. Recently, there has been a transition towards experiential learning initiatives, such as prototyping, in engineering design. This paper looks at the relationship between the mechanical engineering design capstone course and a course in product design and development, which provides students with the opportunity to build prototypes of their designs, at the University of Ottawa. The importance of the traditional capstone course is considered and the implications of implementing these designs are examined. Many capstone design projects would require extensive work so that they could be implemented. A large hurdle appears to exist between analytical design and design implementation, and the term time constraints limit the complexity of designs intended for prototyping. In fact, students require many design iterations before they can build full-scale functional prototypes of their design. Therefore, we have observed that simple products work best for teaching design implementation.

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)0,001
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,293
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 ouverte0,0010,000
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 Opus0,021
Tête enseignante GPT0,268
Écart entre enseignants0,247 · 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.

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

Citations2
Publié2017
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetEngineering Education and PedagogyTravaux en français237 207