MétaCan
Menu
Retour à la cohorte
Enregistrement W4391562192 · doi:10.18260/1-2--40598

WORK IN PROGRESS Understanding Student Learning Profiles in Second Year Problem-Solving Engineering Classes

2024· article· en· W4391562192 sur OpenAlexaff
Yael Gertner, Juan Alvarez, Benjamin Cosman, Jennifer Amos

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueProblem and Project Based Learning
Établissements canadiensYork UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer scienceWork (physics)Engineering educationMathematics educationArtificial intelligenceData scienceEngineering managementEngineeringMathematicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Student motivation, mindset, and learning styles play a role in student success and satisfaction, and research in engineering education is beginning to link these factors to student retention and learning outcomes.In this work in progress, we add to that prior work by surveying students in a second-year bioengineering course to identify their motivations, mindsets, and learning styles and check which correlates with student success.This set might be specific to this course because it necessitates conceptual problem-solving which requires a unique set of skills that are often new to students.They require thinking through the problem and gaining an abstract conceptual understanding before proceeding.During the first week of Fall 2021, 84 second-year engineering students at the University of Illinois Urbana-Champaign answered a questionnaire with 60 questions taken from validated instruments related to the factors mentioned previously.We conducted a statistical analysis on our data which consists of student performance data (i.e.midterm and final grade) and quantitative data from the questionnaire.We found that the students in our study as a whole have a mindset, intrinsic motivation and sense of belonging that should be conducive to positive learning outcomes.Final grades were correlated with students' responses to questions related to "thinking" as a preferred strategy.We also observed a correlation between grade improvement and questions taken from the Intrinsic Motivation Inventory and sense of belonging.In future work, we plan to use this for designing interventions that are specifically tailored to students in this class.We plan to extend our work to other conceptual problem solving Engineering courses.

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)0,006
score de la tête « metaresearch » (Gemma)0,014
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 enseignants0,006
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,030
Tête enseignante GPT0,314
Écart entre enseignants0,284 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetProblem and Project Based LearningTravaux en français237 207