Integrating Sustainability-Driven Industry Projects into Engineering Education: Challenges, Opportunities, and Impact
Notice bibliographique
Résumé
Integrating sustainability-driven projects into engineering education has become pivotal to enhancing students’ problem-solving abilities, industry preparedness, and interdisciplinary collaboration. This study employs a mixed-methods approach, including quantitative survey analysis and qualitative expert interviews, to assess the impact of such projects on engineering curriculum. A survey of 75 faculty members, industry professionals, and policymakers highlighted the benefits of sustainabilitydriven initiatives. 60% strongly agree that these projects increase students’ problem-solving skills, and $\mathbf{5 8 \%}$ acknowledge their significance in professional preparedness. However, difficulties such as institutional reluctance $(70 \%)$, faculty training deficits $(60 \%)$, and industry-academia misalignment $(50 \%)$ remain. A thematic analysis of 15 expert interviews emphasizes the importance of practical learning, interdisciplinary cooperation, and industry partnerships in integrating sustainability ideas into engineering education. A comparison of traditional versus sustainabilitydriven education methods demonstrates that the latter achieves better results in problem-solving abilities, industry alignment, and involvement with real-world concerns. This paper suggests a structured framework for effectively integrating sustainability into engineering curricula based on the findings. Strategic ideas for regulatory reforms, faculty training, and more industry participation are provided to address current hurdles. This study links engineering education with environmental and societal requirements by developing sustainability-conscious engineering professionals.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».