MétaCan
Menu
Retour à la cohorte
Enregistrement W7133618059 · doi:10.15173/mi.v1i1.4958

The evolution of the Finite Element Analysis course: Steps towards human-centric engineering

2022· book-chapter· en· W7133618059 sur OpenAlexaffabout
Seshasai Srinivasan

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueSoftware Engineering Techniques and Practices
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésAccreditationAerospaceSoftwareWork (physics)Reflection (computer programming)Engineering educationCivil engineering software

Résumé

récupéré en direct d'OpenAlex

In this work, I, the chair of the Software Engineering program at the W Booth School of Engineering Practice and Technology at McMaster University, reflect on the evolution that has happened through an undergraduate engineering course, Finite Element Analysis, over the past 10 years at the W Booth School of Engineering Practice and Technology at McMaster University. I present a chronological sequence of transformations in this course based on internal and external influences. First, I outline the initial focus of the course on applied software skills training, which was advocated by industry partners and aligned with a college partnership, to ensure that students were employable in the automotive and aerospace industry almost immediately upon graduation. I then describe and reflect on two periods of significant change: (a) the enhancement of theoretical content to meet the accreditation and licensing requirements of Professional Engineers Ontario and to prepare students for graduate studies and (b) a recent push to graduate human-centric engineers capable of undertaking engineering work that considers technical, as well as social, human, and environmental issues. I also share my vision for future improvements to ensure that graduates have all the desired competencies. This reflection would serve as a good reference for anyone who wants to undertake such transformations in their course.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,960
Score d'incertitude au seuil0,579

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,243
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSoftware Engineering Techniques and PracticesTravaux en français237 207