Development of a Problem-Solving Model from a Multi-Disciplinary PerspectiveDevelopment of a Problem-Solving Model from a Multi-Disciplinary PerspectiveDevelopment of a Problem-Solving Model from a Multi-Disciplinary Perspective
Notice bibliographique
Résumé
Problem-solving is used every day, in almost every aspect of our normal lives. It’s not really thought about much, it is just done naturally. In the fields of engineering, education, medicine, philosophy, psychology, and business, experts will spend months, years, even lifetimes attempting to solve large and complex problems. This research looks not into solving these problems, but instead takes a step back and peers deeper into the process with which these problems are solved. Nvivo qualitative text analysis software was used to compare and contrast previous research that has been done into problem-solving across each of the disciplines mentioned above. Papers were separated manually into their various disciplines based on titles, journals, and keywords found in abstracts, in addition to being separated by decade. The papers were then analyzed using this software in order to find information such as word frequency in order to compare common themes and wording found within previous research done on ‘problem-solving' for each discipline. These results were analyzed in order to make qualitative conclusions, such as noting key similarities and differences between the disciplines of interest. It is hoped that this research may be used in the future to further compare how various disciplines go about the process of problem-solving, in order to ultimately optimize how problem-solving is done across all disciplines. Department: Engineering Faculty Mentor: Dr. Jeffrey Davis
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 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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».