dynamic system modeling

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.

To be effective, adolescents' parents must have basic knowledge about what their children do, who they spend their time with, and what they care about. There is broad consensus that parental monitoring facilitates adolescent information sharing and that information sharing is the most important factor predicting parents' knowledge of their adolescents' lives (Liu et al. 2020). Nonetheless, under some circumstances, vicious cycles can develop in which adolescents react to parents' attempts to gain information by becoming more secretive and parents, in turn, respond to adolescents' secrecy by becoming more intrusive (Hawk et al. 2013, 2016). Despite developmentalists' fundamental interest in the study of change, most current conceptual models of monitoring are static. Specifically, theories have little to say about what would initiate change in stable family systems. This paper integrates what we have learned about parental monitoring, adolescent information sharing, and parents' knowledge in the last decades (e.g., Gingo 2024; Liu et al. 2020) with older models of parenting practice, style, and adolescents' willingness to be socialized (Cumsille et al. 2010; Darling and Steinberg 1993). It then incorporates insights from a model of monitoring borrowed from criminology (Hardie 2021a, 2022, 2024). This integrated model focuses attention on parents' goals and their ability to assess the success of their efforts as a mechanism driving change. A series of deterministic dynamic systems models illustrates predictions from this model about how parental monitoring and knowledge, adolescent information sharing, and outcomes unfold over time under different circumstances.

برای اثربخشی، والدین نوجوانان باید دانش پایه‌ای دربارهٔ فعالیت‌های فرزندان خود، افرادی که با آن‌ها وقت می‌گذرانند و علایق آن‌ها داشته باشند. اجماع گسترده‌ای وجود دارد که نظارت والدین موجب تسهیل به اشتراک‌گذاری اطلاعات توسط نوجوانان می‌شود و به اشتراک‌گذاری اطلاعات مهم‌ترین عامل پیش‌بینی‌کننده دانش والدین از زندگی نوجوانان است (Liu و همکاران، 2020). با این حال، در برخی شرایط، چرخه‌های معیوبی شکل می‌گیرد که در آن نوجوانان در واکنش به تلاش والدین برای کسب اطلاعات، رفتار پنهان‌کارانه‌تری اتخاذ می‌کنند و والدین نیز در پاسخ به پنهان‌کاری نوجوانان، مداخله‌گرتر می‌شوند (Hawk و همکاران، 2013، 2016). با وجود علاقه بنیادی پژوهشگران رشد به مطالعه تغییر، اغلب مدل‌های مفهومی فعلی درباره نظارت، ایستا هستند. به طور خاص، نظریه‌ها توضیح چندانی درباره عوامل آغازگر تغییر در نظام‌های خانوادگی پایدار ارائه نمی‌دهند. این مقاله، یافته‌های چند دهه اخیر درباره نظارت والدین، به اشتراک‌گذاری اطلاعات توسط نوجوانان و دانش والدین (برای مثال، Gingo، 2024؛ Liu و همکاران، 2020) را با مدل‌های قدیمی‌تر درباره شیوه‌های فرزندپروری، سبک‌های والدگری و تمایل نوجوانان به اجتماعی شدن (Cumsille و همکاران، 2010؛ Darling و Steinberg، 1993) تلفیق می‌کند. سپس، بینش‌هایی از یک مدل نظارت برگرفته از جرم‌شناسی (Hardie، 2021a، 2022، 2024) را نیز وارد بحث می‌کند. این مدل تلفیقی، توجه را به اهداف والدین و توانایی آن‌ها در ارزیابی موفقیت تلاش‌هایشان به عنوان سازوکاری برای ایجاد تغییر معطوف می‌سازد. مجموعه‌ای از مدل‌های سیستم‌های پویا و قطعی، پیش‌بینی‌های این مدل را درباره چگونگی تحول نظارت و دانش والدین، به اشتراک‌گذاری اطلاعات توسط نوجوانان و پیامدها در طول زمان و تحت شرایط مختلف نشان می‌دهد.