Developing competencies in IT project estimation: A simulation-based training using LEGO ®
Bibliographic record
Abstract
Des estimations précises des fonctionnalités et du calendrier de projet en technologie de l’information (TI) sont essentielles. Par contre, l’établissement d’estimations précises est ardu puisqu’il arrive que les estimateurs manquent de données historiques, d’expérience, de méthodologies, de connaissances ou de compétences pour estimer. Dans un tel contexte, les étudiants inscrits aux cours en TI et en gestion de projets doivent être sensibilisés aux défis, aux difficultés et aux éléments clés de l’estimation, c’est-à-dire avoir une information riche et de qualité ainsi que de l’expertise et l’expérience appropriées. Afin de soutenir l’acquisition de compétences en estimation, nous avons combiné les avantages de la formation par simulation avec ceux des briques LEGO ® pour développer et tester une simulation en estimation de projets. Nous expliquons pourquoi les briques LEGO ® ont été utilisées et présentons une description des modalités de la simulation. Les observations et les données recueillies lors de quatre trimestres, auprès de 123 étudiants inscrits au cours « Gestion de projet TI » dans une université nord-américaine, sont présentées. Les résultats montrent que les étudiants ont vécu une expérience d’apprentissage positive et enrichissante. En termes de validité pédagogique, la simulation fournit une représentation réaliste du monde des affaires dans lequel les étudiants peuvent développer leurs compétences en estimation en apprenant par la pratique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".