WORK IN PROGRESS Understanding Student Learning Profiles in Second Year Problem-Solving Engineering Classes
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.
Notice bibliographique
Résumé
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle