Quantifying “deep learning” in geomatics engineering by means of classroom observations
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
On the spectra of soft-hard and pure-applied disciplines, geomatics engineering can be categorized as hard and applied, similarly to other engineering disciplines. One can expect that geomatics engineering would score lower in deep learning as such patterns have been observed for other engineering disciplines compared to soft and pure ones. Some students in upper level courses in geomatics engineering may still struggle with fundamental knowledge from lower level courses. This makes it hard for instructors to create an environment for deep learning. They may have to spend a significant amount of class time reviewing basic concepts, and not as much time is left for building up more complex concepts and problem solving. In order to be more successful in tackling higher level learning outcomes, it would be useful to identify areas of troublesome knowledge and specific threshold concepts in key geomatics engineering courses. By addressing these concepts, instructors can eliminate, or at least minimize, the bottlenecks in the learning process. This is the aim of the teaching and learning research study presented in this paper.The main method for collecting data for this study is classroom observations complemented by minute papers at the end of each course unit. Even though the study is in its early stage, some correlations between the type of lessons delivered and the student cognitive and behavioural engagement can be seen, and some concepts can already be identified as probable threshold concepts. As far as the authors are aware, this is the first study on threshold concepts in geomatics engineering
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 | 0,000 | 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