MétaCan
Menu
Retour à la cohorte
Enregistrement W4391561366 · doi:10.18260/1-2--41213

Work-in-Progress: Problems in learning related to mathematical and graphical representations of signals

2024· article· en· W4391561366 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSet (abstract data type)Domain (mathematical analysis)SIGNAL (programming language)Variable (mathematics)Electrical networkHuman–computer interactionArtificial intelligenceElectrical engineeringEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Conceptual learning of concepts that are expressed intensively in mathematical equations and processes is an ongoing challenge for engineering students. There is ample evidence in literature that electrical engineering students struggle in subjects like signals and systems because it heavily involves switching between mathematical and graphical representations of signals as well as many different domains. The purpose of this study is to identify the mistakes made by undergraduate electrical engineering students when they try to make sense of graphical and mathematical representations of different kinds of information in different contexts, for example, drawing a complex signal in time domain, drawing a frequency domain graph, drawing current-voltage characteristics of a device, and transfer characteristics of a system. The data for this study is collected from various exam responses of undergraduate electrical engineering students in two courses namely signals and systems and Electronics 1. Most of the students in Electronics 1 had already taken signals and systems course and some were co-taking signals and systems. This set up has helped to understand the learning challenges that persist even when students continue to apply similar mathematical concepts in other contexts. The responses are analyzed to identify the common mistakes. These common mistakes are further analyzed to understand students' weaknesses in solving questions related to these concepts. The results show that students struggle with understanding signals when the independent variable is not time, when the signal is complex and contains j, when the signal is a combination of more than one signals, and when the signals are abstract. The author concludes that the learning of such concepts requires continuous switching between abstract concepts and multiple domains and most of the concepts cannot be learned through sensory learning which causes students with all sorts of learning styles struggle with getting comfortable with these concepts. The mistakes identified in this work-in-progress paper is the first step to guide the protocol design for a future qualitative study to understand the reasonings students employ to make sense of these mathematical equations and representations, compare the thought processes when a question is solved correctly and when not, and investigate how students' thought processes evolve as they keep taking courses throughout their program that require similar reasonings for better learning.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,378

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,263
Écart entre enseignants0,256 · 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

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetExperimental Learning in EngineeringTravaux en français237 207