Generation-Z Learning Approaches to Improve Performance in the Fundamentals of Engineering Exam
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
The Fundamentals of Engineering (FE) exam is now computer-based, allowing examinees to schedule the test more conveniently. The FE is also discipline-specific, so students can focus more on areas related to their course of study. Traditional university FE review courses cover material throughout a semester, eliminating a part of the year where students would take the exam. By developing online learning modules, including short video reviews of particular topics, videos of worked sample problems, and a bank of FE-like problems, students can better prepare for the exam on a just-in-time basis. Redesigning the course to include 5-7 minute topic-specific video reviews, in-class mentoring, application, assessment strategies and more interactive exercises better engages current students, sometimes called Generation Z (GenZ), who are familiar with YouTube, Khan Academy, and other topic-targeted websites. Rather than longer classes with little interaction, students can focus on areas where their knowledge needs improving, view (and re-view) the topic-related videos, and explore example problems on their own, in conjunction with interactive in-class activities. In parallel with subject assessments delivered through our learning management system, we were able to correlate frequency of student viewings of related video reviews to evaluate the overall impact on student performance. This feedback helped the design/development team identify subject areas that students were struggling in. Post-course surveys indicated that students found using the videos and online example problems to be both motivating and instructionally effective. This redesigned approach to the FE review course has been used in consecutive semesters, with encouraging results, and is currently being incorporated in other engineering and computer science courses.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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