Fuzzy logic in engineering education and evaluation of graduate attributes
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.
Notice bibliographique
Résumé
Fuzzy logic, which was invented in 1960’s, in response to emerging needs to deal with complex techno-social concepts, is becoming more and more relevant to today’s problems. Nowadays, fuzzy logic should not only become a part of the engineering curriculum but also a part of the engineering education standards. For example a fuzzy approach can be used in evaluating graduate attributes (GAs). Most graduate attributes are fuzzy and need to be evaluated using a fuzzy logic methodology.The present paper is an attempt to introduce fuzzy tools (such as fuzzy sets and fuzzy linguistic value systems) to provide a metric for defining and evaluating graduate attributes. Proper definition and scaling of fuzzy attributes can provide a common language, through which educators, industry, and regulators can communicate and collaborate more effectively in the process of assigning jobs to engineers with attributes which best fit the task. Also, by using a fuzzy method, the uncertainty of attributes is neither magnified nor dampened in the analytical process (contrary to most conventional approaches).A properly defined fuzzy metric for GAs can provide flexibility in the implementation of the system, while reducing the overall errors in evaluation. Graduate attributes are proposed to be divided into three major classes or spaces (i.e. knowledge, social and ethical), each consisting of a number of fuzzy attributes and sub-attributes, which can be summed up with appropriate weighting factors. A neural network engine can be used to find the optimal weighting factors.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle