Incorporating Agile Methodologies Into the Chemical Engineering Curriculum
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Agile methodologies, when applied within an engineering education context, can provide a strategic and insightful framework that can incorporate key pedagogical techniques to maximize the student learning experience. In this work, we present a revamp of an undergraduate chemical engineering data‐based modelling course by implementing two agile methodologies: XP‐pair programming and Sprint. The selected agile methodologies are implemented in tutorials and the final exam while developing and/or completing system identification codes in R as a computational tool. Student feedback is obtained via surveys to track the effectiveness of our implemented methodologies; students provided both general and subject‐specific feedback. Our unique approach promises to pave the way for novel course design and curriculum revamp and to enhance active and experiential learning experiences among students by merging education pedagogy with engineering practices in the industry. Student responses reveal that agile methodologies substantially improved their coding, modelling, teamwork and time management skills. We also observed that our agile‐based approach works to inspire and motivate students to (i) further their own knowledge of the subject matter, (ii) appreciate the importance of data‐based modelling in both industrial and academic environments and (iii) critically identify the fallacies and real‐life consequences of poor/inefficient modelling and prediction practices. Our initiative holds the potential to successfully implement well‐known industry best practices within a university chemical engineering curriculum. Our selected agile methodologies also facilitate active and experiential and enquiry‐based learning environments, leading to students recognizing the importance of ‘how’ to learn rather than ‘what’ to learn.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle