Entering the Discipline of Engineering Education Research: A Thematic Analysis
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
In this study, we used classical grounded theory and thematic analysis to develop a framework to help us understand the process that academics go through to become engineering education researchers.As a data source, we accessed the publicly available interview transcripts from the Cambridge Handbook of Engineering Education Research: Updated Perspectives (CHEER-UP) 2020 virtual summer seminar.In this series of 15 seminars, 32 CHEER authors engaged in one-hour discussions to elicit their current views on the topic highlighted in their chapters.As part of the introduction to each seminar, the authors answered why and how they entered the field of EER, which we used for our analysis.Using NVivo 12, we administered a line-by-line coding of the interviews using inductive thematic analysis, identifying themes that helped us answer our research question.We identified five main themes: Engineering Culture, Opportunity, Education Knowledge Community Involvement, and Desire to Right Wrongs.The individual themes identified here are aligned with and supported by publications in engineering education and other disciplines.The central ideas of our findings are two-fold.First, an Opportunity is often the catalyst for the boundary-crossing between the disparate disciplines of engineering and education.Second, having an intrinsic motivation (i.e., Desire to Right Wrongs) and the external support of Community Involvement are crucial to help the researcher continue to thrive and explore within this dual-discipline in which boundary-crossing is endemic.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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