MétaCan
Menu
Retour à la cohorte
Enregistrement W3174295498 · doi:10.51984/jopas.v20i3.1171

Chemical Engineering Graduate Courses Curriculum Development with Simulation Components

2021· article· en· W3174295498 sur OpenAlexaff
Mohamed Edali, Walid Alaswad, Ali Bseibsu, Zaed Sahem, Faraj Ben Rajeb, Ali Elkamel

Notice bibliographique

RevueJournal of Pure & Applied Sciences · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of WaterlooMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésMultiphysicsCurriculumComponent (thermodynamics)Class (philosophy)Computer scienceField (mathematics)Mathematics educationEngineering managementEngineeringPedagogyArtificial intelligencePsychology

Résumé

récupéré en direct d'OpenAlex

The graduate chemical engineering curriculum at our institution Elmergib University is replete with both problem-based and project-based learning components. This paper focuses on a complex methodology of inquiry-based learning (IBL), which has been proven to well prepare graduate students for a successful career in engineering. IBL requires Students to invest a considerable time during the class and after working at home learning with the aid of mentoring how to develop and answer a research question. Teaching both IBL and the development of field-specific simulation skills challenge professors. That does not allow much of the class time required to cover material reliance on mathematical tools that often hamper student understanding of the underlying phenomena and difficulty in providing immersive and exciting visuals that support in-depth learning. An IBL component was incorporated into a simulation-based design in four successive graduate courses: Advanced computational Numerical Methods, Advanced heat transfer, Advanced fluid mechanics, and Advanced transport phenomena. The courses were modified to contain Multiphysics simulations with application building that develop technical competency by developing modeling skills, deeper understanding by solving realistic problems, and writing skills by producing technical reports for each simulation. The use of the Multiphysics application building component adds a new skillset that further strengthens our program graduates. The paper shows the teaching and learning strategies efforts have been implemented, course teaching tools Apps structure, student outcome assessment, and research project exam questions and their simulation results from students’ reports.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,006

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 Opus0,020
Tête enseignante GPT0,244
Écart entre enseignants0,224 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Pure & Applied SciencesMême sujetExperimental Learning in EngineeringTravaux en français237 207