DEVELOPING A FRAMEWORK TO EVALUATE INDIVIDUAL LEARNING IN ENGINEERING DESIGN PROBLEMS – PART 2: ASSESSMENT OF INDIVIDUAL LEARNING IN TEAM ENVIRONMENTS
Notice bibliographique
Résumé
Engineers often model their teaching based on how they expect students to function once they graduate, and as a result they typically have a strong affinity for Problem-Based Learning (PBL) and Team-Based Learning (TBL) approaches. In many cases, this works quite well and has been proven to increase student engagement and performance of design teams. At the same time, as more of the curriculum relies on group projects, there is a simple dilemma that is created: how do you ensure that the learning outcomes a team demonstrates are accurate reflections of what each individual in the team is learning? This rarely poses a challenge in engineering practice, as engineers are expected to specialize, but in an outcome-based accreditation, this can become a serious issue if there isn’t a careful consideration of this in the structure of TBL courses. This paper explores the application of an evaluative framework to a course with strong PBL and TBL components that is set up to ensure that students are not only exposed to all learning outcomes as they tackle a project, but are individually evaluated on their ability to show competence in these outcomes. The prime methodology of this framework is an evaluative tool called an "open-ended design exam" that uses a 1:1 mapping of team and individual learning, with scaffolding in the course frameworks to support this. This paper presents application of this approach to two courses developed at the University of Manitoba, outcomes and responses to the course layout, and suggestions for extensions to other courses or programs.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».