Pedagogy of Engagement: Exploring Three Methods in an Engineering Ethics and Professionalism Course
Notice bibliographique
Résumé
This paper explores the role of three pedagogical interventions in engineering students' learning about ethical and professional conduct, with a particular focus on affective engagement.Many transformative efforts involving equity, diversity, inclusion, and decolonization are centered on ethics as a justifying principle, which further stresses the need to cultivate an ethical orientation in engineering practice, beyond specific knowledge.A new course on professionalism and ethics was introduced as a platform to explore scalable pedagogical approaches to enhance engagement and achieve affective learning outcomes in engineering ethics.The learning activities were designed to stimulate critical thinking about social aspects of engineering and to reframe the traditionally technical obligations of the engineer within sociopolitical and equity-oriented structures.Through a qualitative analysis of student experiences, assignments, and reflections as part of the course, this paper evaluates the impact of three pedagogical methods on student engagement with ethical questions surrounding their decision-making as both individuals and as future engineers.The three methods being studied are Virtue Points, a tool that encourages self-reflection by contrasting personal and professional virtues, an adapted 'Spectrum Game' based on concepts presented by Jubilee Media, and a modified Pisces Game used to explore Tragedy of the Commons.Early findings show positive engagement with both the Pisces Game and Spectrum Game, with many students describing these two as particularly impactful and enjoyable.Virtue Points yielded results that surprised many students, and there are indications that clarifying and amending the scoring system for the game may promote better understanding of how it can support self-reflection on virtues.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».