MétaCan
Menu
Retour à la cohorte
Enregistrement W4403764224 · doi:10.24908/pceea.2023.17126

A STORY TELLING APPROACH FOR TEACHING ENGINEERING COURSES: A MINI-CASE METHOD

2024· article· en· W4403764224 sur OpenAlexaffvenue
Milad Shakeri Bonab, Mohammadamin Ghasemzadeh, Roozbeh Alishahian, Alidad Amirfazli

Notice bibliographique

RevueProceedings of the Canadian Engineering Education Association (CEEA) · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDigital Storytelling and Education
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésTeaching methodMathematics educationComputer sciencePsychology

Résumé

récupéré en direct d'OpenAlex

Engineering courses should connect theory and practice, promote critical thinking, and engage students. Traditional teaching methods are becoming less appealing, and new strategies such as Problem-Based Learning and Flipped Classrooms have not been widely adopted. Case studies have been tried before, but open-ended ones require a complete overhaul of teaching methods and can end up feeling like projects rather than classroom tools. The mini-case approach is introduced as an in-class teaching tool to better engage students and show them the real-world implications of what they are learning. The mini-case structure includes a story, objective statement, student ideation, synthesis of students' ideas, simplification and working model, solution, conclusion, and discussion. The story is crucial to generating interest and retaining attention. The objective statement summarizes the case study's story, goals, and constraints in a single sentence. Students ideate about how to approach the problem, and their ideas are synthesized into a model that is simplified to fit the class's constraints. The solution is either analytical or numeric, and the case study objective statement is revisited to examine whether the requirements and criteria have been met. Reflection on the process and what the results mean is encouraged. The Mini Applied Case Studies (MACS) framework was developed as a structured approach to problem-solving in engineering courses. In the context of a Dynamics class, the framework was applied to the crank-slider mechanism, a challenging topic that students often struggle to understand. The MACS method successfully engaged students and developed their problem-solving skills. Feedback indicated that students found the method effective and interactive. Further research is needed to determine the full potential of the MACS method in other academic contexts.

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)0,017
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,002
Études des sciences et des technologies0,0030,004
Communication savante0,0050,006
Science ouverte0,0050,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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 Opus0,023
Tête enseignante GPT0,334
Écart entre enseignants0,311 · 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'étudeSans objet
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 revueProceedings of the Canadian Engineering Education Association (CEEA)Même sujetDigital Storytelling and EducationTravaux en français237 207