MétaCan
Menu
Retour à la cohorte
Enregistrement W4308713143 · doi:10.24908/pceea.vi.15908

Multi-Disciplinary Design Activity for Undergraduate and Graduate Engineering Students

2022· article· en· W4308713143 sur OpenAlexafffundvenue
Andrew Gryguć, Chris Rennick, Reem Roufail, Sanjeev Bedi

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésContext (archaeology)Computer scienceVariety (cybernetics)Data collectionDisciplineFinite element methodInstrumentation (computer programming)Engineering educationSoftware engineeringEngineeringEngineering managementArtificial intelligenceStructural engineering

Résumé

récupéré en direct d'OpenAlex

This paper describes a project with common equipment that was adapted and offered to both an undergraduate and a graduate-level course with learning outcomes tailored specifically to each group of students. This project is an immersive, multi-disciplinary engineering design activity with a focus on materials, solid mechanics, and instrumentation. The activity incorporates aspects of fundamental engineering theory, virtual predictive simulation, as well as physical testing and data collection. All of this was done in the context of a material selection and failure analysis of a piece of furniture (cantilever chair) which is a simplistic and recognizable device by the students. The project focusses on structural analysis of the chair under a variety of loading conditions, coupled with a virtual simulation model using Finite Element Analysis (FEA). FEA is utilized to identify critical regions of the structure which are prone to failure. The complexity, constraints, and provided resources of the model varied, depending on the specific implementation of the course. Finally, a physical test apparatus was constructed and used to generate experimental responses that the students were able to use to calibrate their predictive model and theoretical hand calculations. This activity was created initially for in-person instruction but was adapted for remote delivery during the pandemic. Both qualitative and quantitative data collected from 2nd year and graduate students indicated that the activity was effective in improving several forms of knowledge acquisition. This paper will discuss in detail how a common project platform was adapted for the two academic levels with evidence of its efficacy

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)0,005
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,026
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,001
Communication savante0,0050,002
Science ouverte0,0030,014
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0260,012

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 Opus0,021
Tête enseignante GPT0,252
Écart entre enseignants0,231 · 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

Citations1
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetExperimental Learning in EngineeringTravaux en français237 207