A computationally-integrated simulation-focused problem-based learning framework for engineering dynamics: design, implementation, and mixed-methods evaluation in an OBE-aligned undergraduate course
چارچوب یادگیری مبتنی بر مسئله با تمرکز بر شبیه‌سازی و ادغام محاسباتی برای دینامیک مهندسی: طراحی، اجرا و ارزیابی آمیخته‌روشی در یک دوره کارشناسی همسو با آموزش مبتنی بر خروجی
چکیده
Engineering dynamics courses demand simultaneous development of mathematical modelling, computational implementation, and communication competencies, yet conventional instruction rarely provides authentic contexts for their integration. The primary objective of this study was to design, implement, and empirically evaluate a Simulation-Focused Problem-Based Learning (SF-PBL) framework that integrates first-principles Newtonian and Lagrangian mechanics with Python-based numerical simulation within an Outcome-Based Education (OBE)-aligned curriculum. The framework was embedded within a 15-week undergraduate Dynamic System Modeling (DSM) course ( N = 53, B.Tech Mechatronics Engineering, Semester IV, January–April 2026) at a single NBA-accredited institution in India. It operationalises a four-phase computational pipeline—System Identification, Mathematical Modelling, Computational Simulation, Validation & Communication—scaffolded through an Explain-Try-Challenge (E-T-C) model and assessed via a six-judge external expert panel. A pre–post mixed-methods design measured self-efficacy (10-item Likert scale), conceptual knowledge (5-item MCQ), PBL satisfaction, AI tool usage, and qualitative breakthrough reflections. Self-efficacy improved significantly (pre: M = 2.92, SD = 0.21; post: M = 3.80, SD = 0.40; t (52) = 13.91, p < .001 , Cohen’s d = 2.72, pooled SD). Knowledge gains were large ( t (52) = 11.32, p < .001 , d = 1.20; Hake’s g = 0.50, medium interactive-engagement band). All ten self-efficacy items improved significantly ( p < .001 ). PBL satisfaction was high ( M = 3.74 , SD = 0.30). Eighty-five percent of students used AI tools, primarily for computational coding, while mathematical derivation remained predominantly human-led. Qualitative themes identified simulation validation, PID tuning, and linking derivation to computation as commonly reported breakthrough moments. Exhibition rubric scores from 17 student projects evaluated by the six-judge panel ( M = 82.62 / 100 , SD = 9.98 ) confirmed strong authentic performance. The SF-PBL framework offers a replicable, empirically-evaluated model for computationally-integrated dynamics pedagogy in OBE-aligned STEM programmes.
دروس دینامیک مهندسی نیازمند توسعه همزمان مدل‌سازی ریاضی، پیاده‌سازی محاسباتی و شایستگی‌های ارتباطی هستند، اما آموزش‌های متداول به ندرت زمینه‌های اصیل برای ادغام این مهارت‌ها فراهم می‌کنند. هدف اصلی این پژوهش، طراحی، اجرا و ارزیابی تجربی چارچوب یادگیری مبتنی بر مسئله با تمرکز بر شبیه‌سازی (SF-PBL) بود که مکانیک نیوتنی و لاگرانژی مبتنی بر اصول اولیه را با شبیه‌سازی عددی مبتنی بر Python در قالب یک برنامه درسی همسو با آموزش مبتنی بر خروجی (OBE) ادغام می‌کند. این چارچوب در یک دوره کارشناسی مدل‌سازی سیستم‌های دینامیکی (DSM) به مدت ۱۵ هفته (N = 53، مهندسی مکاترونیک، ترم چهارم، ژانویه تا آوریل ۲۰۲۶) در یک مؤسسه دارای اعتبار NBA در هند اجرا شد. این چارچوب یک خط لوله محاسباتی چهار مرحله‌ای—شناسایی سیستم، مدل‌سازی ریاضی، شبیه‌سازی محاسباتی، اعتبارسنجی و ارتباط—را عملیاتی می‌کند که از طریق مدل توضیح-آزمایش-چالش (E-T-C) ساختاربندی شده و توسط هیئت داوران متشکل از شش متخصص خارجی ارزیابی گردید. طرح پژوهش آمیخته پیش‌آزمون-پس‌آزمون، خودکارآمدی (مقیاس لیکرت ۱۰ ماده‌ای)، دانش مفهومی (۵ سؤال چندگزینه‌ای)، رضایت از PBL، میزان استفاده از ابزارهای هوش مصنوعی و بازتاب‌های کیفی از لحظات جهشی را اندازه‌گیری کرد. خودکارآمدی به طور معناداری افزایش یافت (پیش‌آزمون: M = 2.92، SD = 0.21؛ پس‌آزمون: M = 3.80، SD = 0.40؛ t (52) = 13.91، p < .001، d کوهن = 2.72، SD تجمیعی). افزایش دانش نیز قابل توجه بود (t (52) = 11.32، p < .001، d = 1.20؛ g هاک = 0.50، باند تعامل متوسط). هر ده ماده خودکارآمدی به طور معناداری بهبود یافتند (p < .001). رضایت از PBL بالا بود (M = 3.74، SD = 0.30). هشتاد و پنج درصد دانشجویان از ابزارهای هوش مصنوعی عمدتاً برای کدنویسی محاسباتی استفاده کردند، در حالی که استنتاج ریاضی عمدتاً توسط انسان انجام شد. مضامین کیفی، اعتبارسنجی شبیه‌سازی، تنظیم PID و پیوند استنتاج به محاسبه را به عنوان لحظات جهشی رایج شناسایی کردند. نمرات روبریک ارائه پروژه‌های ۱۷ دانشجو که توسط هیئت شش نفره ارزیابی شد (M = 82.62 از ۱۰۰، SD = 9.98) عملکرد اصیل قوی را تأیید کرد. چارچوب SF-PBL یک الگوی قابل تکرار و ارزیابی‌شده تجربی برای آموزش دینامیک با ادغام محاسباتی در برنامه‌های STEM همسو با OBE ارائه می‌دهد.