MétaCan
Menu
Retour à la cohorte
Enregistrement W3002652057 · doi:10.24908/pceea.vi0.13707

Learning to Learn: Defining an Engineering Learning Culture

2019· article· en· W3002652057 sur OpenAlexafffundvenueabout
Marnie Jamieson, John M. Shaw

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Education and Curriculum Development
Établissements canadiensUniversity of Alberta
Organismes subventionnairesUniversity of Alberta
Mots-clésLifelong learningAccreditationEngineering educationCredibilityActive learning (machine learning)AccountabilityLearning sciencesExperiential learningConstruct (python library)CurriculumOpen learningPedagogyMetacognitionEngineering ethicsCooperative learningPsychologyEngineeringComputer scienceTeaching methodArtificial intelligencePolitical scienceEngineering managementCognition

Résumé

récupéré en direct d'OpenAlex

Learning is a cultural construct. Beliefs, perceptions and values regarding learning shape the culture of a classroom and a program of study. A framework for engineering education grounded in the Canadian Engineering Accreditation Board (CEAB) Graduate Attributes and engineering practice is proposed. Methods and activities to shape a learning culture in engineering design education consistent with a community of practice and lifelong learning are also proposed. This transformational approach offers an opportunity to teach lifelong learning and integrate engineering practice and engineering education, while entrenching graduate attributes more deeply in the engineering curriculum. Accountability, engagement, recognition, motivation, appreciation, credibility, and continual improvement are key elements of a functional learning culture. Learning moments are a concise way to make learning to learn a relevant part of each session and encourage student reflection and metacognition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,987
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0080,024
Communication savante0,0190,009
Science ouverte0,0020,009
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,002
Tête enseignante GPT0,177
Écart entre enseignants0,175 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations5
Publié2019
Routes d'admission4
Résumé présentoui

Explorer davantage

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