IMPROVING ENGINEERING EDUCATION: TWO KEY AREAS TO FOCUS OUR ATTENTION
Notice bibliographique
Résumé
Engineering remains one of the most traditional and didactic disciplines in higher education. There is low adoption of research-based instructional practices with many educators believing adherence to tried-and-true methods in undergraduate engineering programs outweigh the benefits any change to more active learning could bring. Surveys of student engagement consistently rank the effectiveness of the undergraduate engineering experience lowest among the disciplines, with classroom observations confirming that engineering educators score significantly lower in delivery, teaching, lesson elements, and diversity. This quantitative study sets out to determine in which, if any, specific areas engineering educators score differently than their colleagues in other disciplines. Using Draeger and his team’s model of academic rigour as a framework, this study examines institutional data collected during three years of mandatory teaching observations of new full-time and randomly selected part time educators. The analysis shows that four key areas differentiate the teaching practices of engineering educators from their colleagues in other disciplines: (1) welcoming students, (2) explaining the lesson’s agenda, (3) the organization, pace, and planning of classes, and (4) the way material is presented to students. It is proposed that the undergraduate engineering experience can be improved by making changes to lesson structure, and enhanced by including opportunities for meaningful active 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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».