MétaCan
Menu
Retour à la cohorte
Enregistrement W4378472744 · doi:10.3390/su15118598

Strengthening Sustainability in Agile Education: Using Client-Sponsored Projects to Cultivate Agile Talents

2023· article· en· W4378472744 sur OpenAlexafffund
Linying Dong

Notice bibliographique

RevueSustainability · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueSoftware Engineering Techniques and Practices
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesRyerson University
Mots-clésAgile software developmentScrumLean software developmentSustainabilityProcess managementEngineering managementKnowledge managementWork (physics)EngineeringExtreme programming practicesBusinessSoftware developmentComputer scienceSoftwareSoftware development processSoftware engineering

Résumé

récupéré en direct d'OpenAlex

The success of agile in software development (SD) has sparked the application of agile in non-SD domains such as business management to improve operational efficiency and innovation. Despite the rising industry demands for agile talents in the non-SD domains, agile education falls short of client-sponsored projects, calling into question the sustainability of agile education. This study makes up for the gap and illustrates an eight-month endeavor where scrum practices and values were imbued in a client-sponsored project. The analysis of qualitative and quantitative data gathered throughout the eight-month project illustrates a large disparity among students in their scrum application, reveals top challenges faced by students in their scrum application, and suggests the impact of the scrum application on the quality of student work. The findings of the study set a solid foundation based on which future agile education could be enhanced to strengthen the sustainability of agile education to meet industries’ rising demands for agile talents in non-SD domains.

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)0,008
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,002
Communication savante0,0050,003
Science ouverte0,0010,007
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,023
Tête enseignante GPT0,343
Écart entre enseignants0,320 · 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'étudeQualitatif
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
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetSoftware Engineering Techniques and PracticesTravaux en français237 207