Characterizing Computer Aided Design Mastery: What differences exist between expert and novice users?
Notice bibliographique
Résumé
The goal of this work is to characterize “expert” student CAD use and examine whether differences from novices are related to factors such as gender, seniority, co-op experience, and spatial ability. Participants were recruited from a second-year mechanical engineering course and extra-curricular engineering technical teams. The groups were Novice (Year 2, not on a team, n=13), Junior (Year 2, on a team, n=7), Senior (Year 3+, on a team, n=12). Participants completed a spatial task (PSVT:R, Purdue Spatial Visualization Test) and a CAD task while being asked to describe their process (verbal protocol analysis). Groups were similar in gender composition. The spatial task (PSVT:R) performance was not related to gender, year of study, or use of CAD on co-op. Spatial performance was related to team participation. Two major differences in process were coded. One was references to past work. Seniors were more likely to reference co-op experience than Novices (p=0.03), Juniors were more likely to reference academic work compared to Seniors (p=0.04). The other significant difference was the method used for construction. Seniors were less likely to use a “cut away” approach to making their part than Novices (p=0.004) or Juniors (p=0.002). Seniors were more likely to trace geometry and extrude their part compared to Novices (p=0.004). The difference in referenced prior work presents an opportunity for instructors as many more students participate in co-op than in extra-curricular teams. This could be leveraged by encouraging students to contextualize learning from co-op or by creating industrially-relevant assignments. The difference in approach to creating the object suggests that CAD instructors could be introducing students to higher level tools earlier. This could be done through assignments that authentically demand more complicated geometries.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».