Problem-solving in biology vs. engineering: What can engineering educators learn from biology educators
Notice bibliographique
Résumé
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».