Introducing PBL in Engineering Education: Challenges Lecturers and Students Confront
Notice bibliographique
Résumé
Problem-based learning (PBL) is widely used across the professional education sector and is now emerging in engineeringeducation as both a viable and effective teaching and learning strategy. PBL originated some 45 years ago in medicaleducation at universities in McMaster (Canada), Maastricht (Netherlands) and Newcastle (Australia) and since then hasgained popularity worldwide in many professional disciplinary fields. The PBL approach, as presented in literature,supports a shift from teacher-directed, or centred, learning to facilitation of students’ learning, thus shifting the focus tostudents’ learning. Facilitation, as practiced in PBL, involves a different style of teaching compared to traditionallyaccepted styles, and from the experience of both students and lecturers, brings with its adoption challenges. Importantly, askilled PBL facilitator, who is secure in their role, can contribute significantly to the effectiveness of PBL groups’ work andthus to students’ learning. This paper reports on a qualitative study, and its findings, concerning the experiences ofacademic staff and students at one institution, the German Malaysian Institute (GMI), in Malaysia. During interviews andfocus groups, lecturers and students identified the challenges that lecturers face in effectively facilitating PBL. Analysesrevealed two major themes that inhibit success: lecturers’ and students’ adaptation to PBL. These findings provideinteresting insights into what is required to adapt to this mode of delivery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,015 | 0,008 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».