Data Sustainability in Manufacturing Engineering Education
Notice bibliographique
Résumé
The value of data in manufacturing is immense, with the proper curation of data resources becoming a necessary skill closely aligned with principles of sustainability, where data infrastructure must be designed and deployed with longevity in mind to realize ongoing growth in manufacturing and related industries. This article summarizes an exploratory investigation into instructor perceptions of data-related learning outcomes through curricular analysis in a manufacturing engineering program. Data sustainability is considered in the context of data lakes, where data are stored enriched with metadata with longevity in mind and made available to all who may need them. Conversely, data swamps, where data are difficult to place in context or to retrieve by those who would benefit from their use, result from unsustainable data practises. Appropriate data learning outcomes were developed through literature review and stakeholder engagement. A qualitative study then asked instructors in a manufacturing engineering program to map course learning outcomes against data learning outcomes at three levels of development. Follow up interviews with instructors provided insight into how data themes are perceived at high levels in the program. Initial surveying indicated that intended course outcomes aligned appropriately with the data outcomes in an increasingly complex way over time, yet the interviews highlighted some discrepancies between survey results and perspectives later revealed by course instructors. Opportunities to emphasize sustainability and long-term utility of data archives (data lakes) are discussed, stressing the need for further work.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».