The Critic as Designer: How Metacognition Makes Transdisciplinarity Possible
Notice bibliographique
Résumé
Gray receieved his B.S. in Electrical and Computer Engineering from Virginia Tech in 2000.He then earned a M.S. and a Ph.D. in Materials Science and Engineering from Virginia Tech in 2002 and 2010, respectively.Much of his graduate education focused on semiconductor devices physics and materials processing.However, his actual Ph.D. dissertation was on thermal modeling and process control of a friction stir fabrication method of additive manufacturing.Dr. Gray followed up his Ph.D. with a position as a post-doctoral associate under the guidance of Dr. Dwight Veihland working with composite magnetic field sensors.After his education, Dr. Gray continued his research in small-business environments, developing technologies and products across a wide range of fields including magnetic materials, sensors, and devices, energy harvesting technologies, harsh environment sensing, additive manufacturing, non-destructive inspection and evaluation, and vehicle autonomy.Dr. Gray came to the Engineering Education department as an instructor in 2018, and was promoted to Associate Professor of Practice in August 2019.Dr. Gray is primarily focused on pedagogy of first-year engineering students, but maintains an undergraduate research group with interests in automotive systems, communications, computing, and non-destructive inspection.
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 | 0,016 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,027 |
| Communication savante | 0,020 | 0,016 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».