Impacts of Course Culture on Student Creativity Development in Engineering Course Projects
Notice bibliographique
Résumé
This full paper is unique and fits the innovative practice strategy category because it explores effective strategies for promoting creativity among engineering students in course projects in a teaching and learning culture where professors are supportive, caring, and connected to their students. Establishing a supportive and caring relationship between professors and students, where students are comfortable making mistakes and seeking assistance, can further enhance students' sense of ownership and motivation in completing their projects, leading to better engagement and learning outcomes. At the same time, critical thinking skills and academic rigor are requirements in engineering courses and must be addressed in all projects. The paper also emphasizes the importance of self-learning experiences, which can help students stay current with emerging technologies and develop the necessary knowledge, skills, and attitudes for success in a rapidly evolving technological landscape. Establishing a supportive and caring relationship between professors and students has been shown to improve the teaching quality of professors, creating a cycle of positive change. Professors who care about student success frequently reflect on their teaching and seek new methods and strategies to increase student success. Environmental factors, as well as personal attributes, have been shown to enable creative teaching practices. Innovative teaching occurs when a professor incorporates strategies and processes that encourage cognition. Professors who display self-efficacy, are experienced, and reflect on their teaching are seen as creative. They create supportive environments designed to encourage, nurture, and value creativity. They seek out teaching strategies that support these goals. This paper explores the use of specific strategies identified to support creativity, including open-ended questions, facilitating brainstorming, fostering collaboration, incorporating real-world problems, encouraging experimentation, and helping with hands-on learning. Educators can use these strategies to create an environment that encourages students to think outside of the box, experiment with new ideas, and collaborate. Students in this program report experiencing an encouraging environment providing a comfortable atmosphere for risk taking, and increased motivation to learn based on firsthand knowledge of work environments. Best practices from various course projects and senior project design courses at a medium-sized higher education institution are showcased. Hopefully, this experience will offer valuable insights, particularly to new faculty members.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,021 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».