MétaCan
Menu
Retour à la cohorte
Enregistrement W4391599715 · doi:10.18260/1-2--43492

Enhancing Undergraduate Materials Science Labs for Experiential Learning

2024· article· en· W4391599715 sur OpenAlexaffabout
Mackinley Love, Philip Egberts, J. Wong, Miriam Nightingale

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueExperimental Learning in Engineering
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésExperiential learningComputer scienceScience learningEngineering ethicsMathematics educationEngineering physicsScience educationEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

Recently, there has been increased pressure from industry, the local government, and the University of Calgary to include industry-relevant learning opportunities in undergraduate curricula to improve the transition of students from the university to the workforce.In engineering education, laboratories are often viewed as a bridge between course content and industry skills by grounding theoretical knowledge in practical experiments and developing familiarity with testing techniques and analyses used in industry.Yet nearly half of undergraduate mechanical and manufacturing engineering students enrolled in a mandatory third-year materials science course at the University of Calgary report no link between their laboratories and course content or future career development.Therefore the goal of this research endeavour is to identify actions that can be taken to improve the students' learning experience in undergraduate engineering laboratories.Critically reflective surveys were developed using Ash and Clayton's Describe, Examine, Articulate Learning (DEAL) model and the revised Bloom's taxonomy and released to current engineering students in a third-year materials science course at the University of Calgary's Mechanical and Manufacturing Engineering program.The purpose of these surveys was to evaluate where students feel their laboratories do not connect to their classes or careers, and what steps can be taken to improve learning outcomes.Following completion, these survey responses were evaluated using qualitative content analysis.Results indicate that students better perceive their laboratory learning experience when it includes a hands-on component designed using Kolb's experiential learning cycle.Students feel their time is better spent when learning outcomes are aligned with student abilities, laboratory material is clearly linked to industrial applications, and expectations and theory is clearly communicated.Group work and a design component, when relevant, can also improve this experience.The experience of the laboratory assessment can be improved by considering the purpose of the assessment when designing it.Finally, it was found that facilitators have a strong impact on the learning experience and should receive training to ensure consistency and that learning objectives are met.

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)0,005
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,109

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,007
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0320,009

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 Opus0,006
Tête enseignante GPT0,250
Écart entre enseignants0,243 · 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'étudeObservationnel
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'admission2
Résumé présentoui

Explorer davantage

Même sujetExperimental Learning in EngineeringTravaux en français237 207