Intensivt obligatorisk SCRUM-prosjekt i systemutviklingsundervisning
Bibliographic record
Abstract
Denne oppgaven tar for seg en case på NTNU som omhandler undervisningsmetodikk i systemutvikling. Undervisningsmetoden det er blitt forsket på er et intenst obligatorisk SCRUM-prosjekt. Prosjektet er en del av undervisningen i systemutvikling ved Dataingeniørlinjene på Kalvskinnet. Både 1. og 2. klassen ved Dataingeniørprogrammet var en del av forskning. De bidro med å stille opp på fokusgruppe-intervju, gjennomførte spørreundersøkelse og tillot observasjoner. Faglærerne bidro også med sitt samarbeid med forsker i forskningsprosessen ved å involvere og legge til rette for. \n\nOppgaven hadde som mål å finne ut positive og negative sider ved det intenst obligatorisk SCRUM-prosjekt i systemutviklingsundervisningen. Teorien ga et utgangspunkt hvor forskningsspørsmålene omhandlet temaene læring, motivasjon, brukeropplevelse og samhandling. Teorien forklarte og presenterte en modell med tilhørende faktorer til hvert tema opp imot problemstillingen. \n\nMetoden som ble gjennomgått i oppgaven var en grundig gjennomgang av tilnærming til vitenskapelig metode, bred refleksjon og argumentasjon rundt valg av datageneringsmetoder. Det ble også presentert og argumentert for valg av variabler og dataanlysemetoder. \n\nResultat kapittelet består av en struktur som tar for seg en og en faktor ut ifra modellen som ble utformet i teorien. Hver faktor for presentert sine respektive resultat fra analysen av spørreundersøkelsene, fokusgruppe-intervju og observasjoner der hvor det var relevant.\n\nDiskusjonen gikk grundig igjennom hver enkelt faktor fra den nevnte modellen og brukte både teori og empiri for å avdekke, bekrefte og begrunne interessante funn og avhengigheter mellom faktorene. For hvert tema i modellen ble det utført en modifisering av modellen som viste avhengigheter som hjalp til å besvare hvert enkelt forskningsspørsmål.\n\nTil slutt endte det opp med en konkret og vitenskapelig forsvarlig konklusjon i form av svaret på problemstillingen som viste at det intense obligatoriske undervisningsopplegget var bedre enn det tradisjonelle, og forklarte hvorfor.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.098 | 0.028 |
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".