MétaCan
Menu
Retour à la cohorte
Enregistrement W4308709643 · doi:10.24908/pceea.vi.15938

Problem-solving in biology vs. engineering: What can engineering educators learn from biology educators

2022· article· en· W4308709643 sur OpenAlexaffvenue
Anastasia Chouvalova, Sarah DeDecker, Ryan Clemmer, Julie Vale, Karen A. Gordon

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Strategies and Epistemologies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésMathematics educationEngineering educationFocus groupBiologyPsychologyEngineeringSociologyMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Problem-solving (PS) is a universal skill inherent to nearly all disciplines. This study’s objective is to explore the types of PS assessments that engineering and biology undergraduate students are exposed to and what PS approaches they use to complete these assessments. Comparing PS assessments and approaches between the two disciplines will help reveal important lessons that engineering educators can apply when immersing their undergraduate students into PS. Qualitative data was obtained from focus groups with students in engineering (n = 6), and biology (n = 5). Notable differences were found across disciplines, with students mentioning different skill sets pertinent to PS, assessment features, and PS strategies. A posteriori analysis of students’ focus group responses revealed that an epistemic lens is an appropriate framework for interpreting students’ response. Schommer’s epistemic dimensions of knowledge (i.e., structure and stability of knowledge) are used to classify results and indicate that biology students are frequently exposed to the complex structure of knowledge through multi-factorial systems whereas engineering students are typically exposed to the instability of knowledge, particularly through design projects. Other interesting observations related to biology students’ tendency to engage in discussion as a helpful study approach, while engineering students may view group discourse as a hindrance. Our results can inform engineering educators of how they can incorporate PS practices used by biology educators into their classrooms to promote better learning outcomes and encourage deeper learning approaches in students, while cultivating more mature epistemic beliefs.

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)0,010
score de la tête « metaresearch » (Gemma)0,047
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,047
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,003
Communication savante0,0120,011
Science ouverte0,0010,005
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,248
Écart entre enseignants0,238 · 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
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetEducational Strategies and EpistemologiesTravaux en français237 207