Pillars of Program Design and Delivery: A Case Study using Self-Directed, Problem-Based, and Supportive Learning
Notice bibliographique
Résumé
As machine learning (ML) becomes prevalent in industries and businesses, the need to use these algorithms to solve real-world problems grows rapidly. However, there is a serious deficit of qualified talent in this field and thus a corresponding shortage of educational programs. To address the shortage of ML specialists in the field, universities are offering continuing education programs that fast-track the development of technical and transverse skills needed for success in the field. The award-winning machine learning program described in this paper is carefully designed with industry and community partners while focusing on practical skills and participation in the local industry network. This program can be summarized in three learning principles: 1) learners are encouraged to build their knowledge and skills in a self-directed manner; 2) group projects in both simulated and workplace settings are incorporated to support problem-based learning; and 3) supportive learning environment is established to encourage open and safe learning. This paper reports on the instructors' experiences in teaching the four courses based on these principles, which has resulted in high satisfaction from students, successfully placing students in industry, and winning a national award. We offer this experiential report in the hope that it may serve as a point of reference for other instructors and programs for mature technical learners in machine learning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».