Introducing PBL in engineering education: challenges lecturers and students confront
Notice bibliographique
Résumé
Problem-based learning (PBL) is widely used across the professional education sector and is now emerging in engineering education as both a viable and effective teaching and learning strategy. PBL originated some 45 years ago in medical education at universities in McMaster (Canada), Maastricht (Netherlands) and Newcastle (Australia) and since then has gained popularity worldwide in many professional disciplinary fields. The PBL approach, as presented in literature, supports a shift from teacher-directed, or centred, learning to facilitation of students’ learning, thus shifting the focus to students’ learning. Facilitation, as practiced in PBL, involves a different style of teaching compared to traditionally accepted styles, and from the experience of both students and lecturers, brings with its adoption challenges. Importantly, a skilled PBL facilitator, who is secure in their role, can contribute significantly to the effectiveness of PBL groups’ work and thus to students’ learning. This paper reports on a qualitative study, and its findings, concerning the experiences of academic staff and students at one institution, the German Malaysian Institute (GMI), in Malaysia. During interviews and focus groups, lecturers and students identified the challenges that lecturers face in effectively facilitating PBL. Analyses revealed two major themes that inhibit success: lecturers’ and students’ adaptation to PBL. These findings provide interesting insights into what is required to adapt to this mode of delivery.
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 | 0,000 | 0,000 |
| 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 ».