Engineering Education Research in Canada: Out from the Shadow of a Giant
Notice bibliographique
Résumé
Background: Engineering education research (EER) is relatively new in Canada, and there is a sense it is “lagging behind” EER in the United States (U.S.). This relative newness, coupled with the epistemological and normative differences between its parent disciplines (engineering and education), presents many challenges to developing the EER community, including establishing physical and disciplinary homes, dedicated funding, and identity. These challenges impact how the field matures. Given the different phases of development between the two nations and their geographical and cultural proximity, EER scholars in Canada should be able to learn from the development of EER in the U.S. to address these challenges and advance the field in Canada. Purpose: This article offers a comparative look at EER in Canada and the U.S., so Canadian scholars and scholars living in areas where EER is emerging can learn from the development of EER in the U.S. and address the challenges in advancing the field in their region. Scope: We share our understandings of the contextual elements of EER in Canada compared to the U.S. based on the literature and on the scholarship and lived experiences of the authors. We theorize Canada’s challenges in developing the EER field using McAlpine’s (2012) Identity-Trajectory framework. Discussion/Conclusions: EER in Canada is challenged by a lack of home, funding, and identity. These tensions create a circular logic, preventing the growth of EER as a legitimate field in Canada, and must be addressed. The development of EER in Canada lags, yet follows similar patterns to EER in the U.S. As such, Canada should be able to advance EER in the Canadian context by learning from the national and international infrastructure that the U.S. has helped establish and following pathways that better suit the Canadian context.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».