Advancing Engineering Education in the Age of AI Through Innovative Methods
Notice bibliographique
Résumé
Integrating artificial intelligence (AI) into engineering education presents both opportunities and challenges as educators seek to apply cutting-edge AI-driven tools and online platforms to enhance learning outcomes. The field is beginning to explore how AI-driven personalized tutoring, on-demand adaptive learning, and innovative assessment strategies can reshape traditional pedagogical models, though broad adaptation and seamless integration remain ongoing challenges. However, this integration brings challenges such as ensuring academic integrity, preventing over-reliance on AI for solution generation, and balancing personalized assistance with deep, hands-on learning experiences. This paper presents a framework for incorporating AI, online platforms, project-based methods, and new assessment strategies to improve engineering education. It addresses academic integrity challenges, promotes deeper engagement through real-world competitions, and aligns projects with industry objectives via guest lectures and research-driven collaborative work. Creative case studies on real-world Health Monitoring and collaborative Smart Assistant projects equip students with practical skillsets that illustrate the effectiveness of this framework, while a SWOT analysis (Strengths, Weaknesses, Opportunities and Threats) supports student research to be more practical and creative. Finally, the successful student competitions such as ‘Pandora’s Box’, won the first prize at the Acres Design Competition, demonstrate how these pedagogical methods can lead to award-winning and real-world relevant results that eventually equip them with practical problemsolving skills.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,016 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».