0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Opplegget er i hovedsak en viderføring av tidligere opplegg, men med enkelte endringer i lys av tidligere tilbakemeldinger.Faget er ikke obligatorisk, men velges av mange MTMT og MTKJ studenter (~ 40 - 50).Studentene er generelt positive og fornøyde med innhold og gjennomføring av faget. Omfang og vanskelighetsgrad oppfattessom OK og i rimelig samsvar med normert belastning, men det brukes likevel mye tid på faget - men av egen-interesse. Ihht tilbakmeldinger fra studentene er det enklete som har brukt hoveddelen av arbeidsinnsatsen i dette semsteret på dette faget - fordi de liker faget og opplegget og ønsker optimalt læringsutbytte.Det er ulike oppfatninger om omfang og detaljering i oppgavetekster og veiledning på lab. Men generelt er det ønske om mer kode-eksempler og spesielt flere eksempler i forelesningene. Evalueringskriterier og evaluering av ‘arbeider’ er et tilbakevennende og vanskelig tema.Faglærer og stud.ass'er bruker myyyyye tid for å gjøre dette best mulig, men en uoverskuellg oppgave å sikre 100% rettferdighet og gjøre alle tillags. Studentene synes mest fornøyd med de fagrelevante oppgavene (i materialteknologi og kjemi).Opplegget er lærerikt og givende både for faglærer(e) og studenter, men arbeidskrevende mht veiledning og vurderinger (underveis og sluttkarakter),Faget har allerede 2 stud.ass'er og faglærer deltar aktivt i alle læringsaktivitene, men hvert år etterlyses ytterligere veiledningskapasitet. Dette semmesteret introduserte vi en ny oppgave, og det er planer for ytterligere fonyinger i årene som kommer., inkl. oppgaver som inkl. bruk av AI

Undervisningen er lagt opp omkring 12 øvingsoppgaver. Tema (teori) for øvingene og noe nødvendig løsningsmetodikk presenteres i forelesningene. Studentene jobber i hovedsak i grupper a 2 og 2 og løser en oppgave per uke. Det er ingen pensumlitteratur i vanlig forstand. Nødvendig bakgrunnsstoff i form av notater/utfyllende øvingstekster og noe relevant litteratur oppgis/deles ut i samband med øvingene.All skriftlige kommunikasjon med studentene skjer via BB. Dette fungerte bra. Studentene leverer besvarelsene elektronisk hver uke og hver gruppe får fortløpende individuell tilbakemelding/godkjenning/vurdering ved bruk av 0-10 skala via BB. I tillegg til obligatoriske øvinger omfattet årets opplegg en semesterprøve (4 t på datalab) med individuell oppgaveløsning med elektronisk innlevering.Læringsutbyttebeskrivelsen er oppdatert og relevant, og for oppgavene brukes et moderne programmeringsspråk Python. Læringsutbytte ble kommunisert i den første forelesningen, hvor god tid blir brukt til å motivere studentene om opplegget og at i hver oppgave som kommer så får de lære seg både nytt teori, ny numerisk metode og etter hvert også nye grafiske og interaktive måter å presentere data på. Studentene likte at oppgavene er relatert til materialteknologi/kjemi slik at de faktisk ser hvordan programmering kan bli nyttig for dem senere i studiet og i arbeidslivet. Det er stor variasjon av programmeringsevner mellom studentene, noe vi prøver å ta hensyn til gjennom veiledningen. Noen var langt fremme og ble utfordret på mer avanserte Python muligheter, mens andre fikk en mer tålmodig veiledning i grunnleggende ferdigheter. Filosofien i kurset er å skape mestringsfølelse hos alle, også de som har begrensede ferdigheter ved starten av faget, og det er antagelig denne gruppa som har størst læringsutbytte og progresjon. De fleste var godt fornøyd med øvingene og de følte jevn progresjon fra uke til uke. Studentene virket svært motivert, hvor noen jobbet i hovedsak uten hjelp, mens andre spurte mye og fikk hjelp. Dette aspektet bidrar til å gjør vurderingene vanskelig. De generelle tilbakemeldingene var at kurset var nyttig og lærerikt og at studentene hadde et godt læringsutbytte, både mht faglige problemstillinger og programmeringsferdigheter. Tilbakemelding fra en student: Dette er faget som helt klart har gitt meg mest læringsutbytte av alle fag jeg har tatt på NTNU!

Evaluering og karaktersetting har som de seneste årene vært basert på (ukentlig) innleverte arbeider/øvinger (70%), og en semesterprøve (30%). Det siste gir muligheter for en viss individuell vurdering (større differensiering) en det kun innleverte øvinger gir. Men evalueringskriterier og evaluering av arbeider (utført under veiledning, og med ‘ubegrenset’ tid) er svært utfordrende og arbeidskrevende, og det er generelt vanskelig å differensiere i særlig grad. Karaktersettingen er krevende og det er vanskelig å være 100% objektiv og rettferdig, bl.a. siden gruppene kan være svært ulikt sammensatt og graden av selvstendighet varierer mye. Faget er sånn sett strengt tatt ikke egnet for karaktersetting, men det virker. Bruk av karakterer betyr økt motivasjon og arbeidsinnsats og har stor betydning for læringsutbyttet! Bruk av individuell semesterprøve er bra og har lettet differensiering og endelig karaktersetting, men det like fullt et problem når denne teller kun 30% (begrenset av gjeldende regelverk). Dette er reflektert i et høyt karakternivå, hvilket reflekterer iherdige og arbeidsvillige studenter, men også undervisningsform (utstrakt og aktiv veiledning) og evalueringsform hvor en sterkere differensiering som sagt er svært vanskelig. Innleverte arbeider er ofte et resultat av mye arbeid, men tidvis kombinert med mye hjelp og veiledning og innleveringene holder derfor normalt et meget høyt nivå. Vurderingene blir nødvendigvis mer ‘skjønnsmessige’ enn ved ordinær skoleeksamen, og endelige karakterer (selv om de i hovedsak er gode) blir av samme grunn tidvis gjenstand for diskusjon og klager.

NTNU:TIA:REST

Institutt for materialteknologi

Department of Materials Science and Engineering

Engelsk

Norsk

Mer om vurdering

11 øvinger i gruppe, og 1 individuell oppgaveFor å bestå faget, alle øvinger og den individuelle oppgaven må være godkjent. Ved gjentak av emnet må alle øvinger/oppgaver i emnet gjentas.

Anbefalte forkunnskaper

Emnet TDT4110 - Informasjonsteknologi, grunnkurs eller emner som gir tilsvarende kunnskap og ferdigheter i bruk av basis dataverktøy. Basiskunnskaper i numeriske metoder, f.eks. TMA4125 Matematikk 4N anbefales. Det er en fordel med, men ikke absolutt nødvendig, med et introduksjonskurs i materialteknologi.

Forkunnskapskrav

Ca. 2/3 av kurset omfatter programmering i Python. Det forutsettes at kandidatene har grunnleggende kunnskap om bruk av Python, eller tilsvarende forkunnskaper som av faglærer vurderes tilstrekkelige til å følge kurset.

Faglig innhold

Emnet omfatter en generell introduksjon til modellering og datamaskinsimulering i materialvitenskap, avansert bruk av regneark, samt enkel programmering og programutvikling. Noen viktige typer problemer som vil bli behandlet er: Behandling og representasjon av måledata, numerisk integrasjon og derivasjon, iterative teknikker for ligningsløsning og numeriske metoder for løsning av differensialligninger, tilfeldige tall og Monte Carlo-metoder. Temaene vil bli behandlet ved hjelp av relevante eksempler knyttet til modellering og numeriske beregninger/simulering av prosesser og reaksjoner i metallurgi og materialvitenskap. Eksemplene er bl.a. knyttet til støping og størkning, varmeledning, plastisk deformasjon og arbeidsherding, gjenvinning, rekrystallisasjon og kornvekst, diffusjon, smeltebehandling samt termomekanisk bearbeiding og transformasjonskinetikk (C-kurver).

Kursmateriell

Ingen lærebok. Relevant læremateriell oppgis ved semesterstart og vil bli gjort tigjengelig.

Læringsutbytte

Etter avsluttet kurset og for å bestå skal studenten ha en tilfredsstillende kunnskap i:- Identifisere og beskrive viktige elementer i matematisk modellering av prosesser og reaksjoner i materialvitenskap og kortfattet gjøre rede for hvorfor og i hvilken sammenheng dette kan være nyttig.- Anvende enkle algoritmer for kurveglatting, numerisk derivasjon og integrasjon i regneark (Excel), for å kunne behandle relevante måledata, herunder grafisk presentasjon av resultatene.- Kjenne til prinsippene for modelltilpasning/regresjon og kunne anvende disse i Excel for å gjennomføre beregninger for bestemmelse av ulike modellparametere.- Analysere og omformulere matematiske ligninger og enkle modeller til en form som er egnet for numeriske løsningsmetoder i et datamaskinprogram.- Anvende grunnleggende prinsipper og algoritmer for å lage effektive og brukervennlige datamaskinprogrammer for numeriske beregninger/simuleringer, herunder bruke løkkestrukturer, betingelser og programmodulering, samt enkle/nyttige metoder for input/output.- Implementere og gjennomføre relevante beregninger som involverer algoritmer for numerisk derivasjon og integrasjon, iterative teknikker for ligningsløsning, numeriske metoder for løsning av ordinære og partielle differensialligninger (inkl. Eulers metode, Runge-Kutta-metoder, Finite difference metoder).- Anvende tilfeldige tall og Monte-Carlo metoder for å løse deterministiske problemer og spesifikt for å gjennomføre beregninger av bestemte integraler.- Analysere og diskutere nøyaktighet av resultater av relevante numeriske beregninger, samt kunne modifisere beregningene for å oppnå ønsket nøyaktighet.- Presentere både eksperimentelle data og data generert av en numerisk beregning i grafer av kvalitet krevet for publisering i vitenskapelige tidsskrifter.- Lage godt beskrevet og organisert Python kode, så er det enkelt for en annen bruker og bruke eller modifisere koden videre.

Læringsformer og aktiviteter

Undervisningen vil bli lagt opp omkring 11-12 relevante øvingsoppgaver. Tema for øvingene og nødvendig løsningsmetodikk vil bli presentert i forelesningene. Øvingene vil basere seg på bruk av regneark (Excel) og programering i Python. Total arbeidsmengde (programmert undervisning + egenarbeid) er estimert til ca 200 timer.

Material- og prosessmodellering

Materialteknologi

Teknologiske fag

Materials Science and Engineering (Master's Programme)

Industriell kjemi og bioteknologi - masterstudium (5-årig)

Materialteknologi - masterstudium (2-årig)

Materialteknologi - masterstudium (5-årig)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(23813)/FieldValuesAsText

Opplegget er i hovedsak en viderføring av tidligere opplegg, men med gjeldende koronatilpasninger og enkelte endringer i lys av tidliegere tilbakemeldinger. Faget er ikke obligatorisk, men velges av mange MTMT oh MTKJ studenter. Studentene er generelt positive og fornøyde med innhold og gjennomføring av faget. Omfang og vanskelighetsgrad oppfattes som OK og i samsvar med normert belastning.  Det er ulike oppfatninger om omfang og detaljering i oppgavetekster og veiledning på lab. Men generelt er det ønske om mer kode-eksempler og spesielt flere widget-eksempler i forelesningene. Evalueringskriterier og evaluering av ‘arbeider’ er et tilbakevennende og vanskelig tema.  Studentene synes mest fornøyd med de fagrelevante oppgavene (i materialteknologi og kjemi). Opplegget er lærerikt og givende både for faglærer(e) og studenter, men arbeidskrevende mht veiledning og vurderinger (underveis og sluttkarakter), Faget har allerede 2 stud.ass'er og faglærer deltar aktivt i alle læringsaktivitene, men hvert år etterlyses ytterligere veiledningskapasitet.

Faget hadde dette semesteret i utgangspunktet en ganske håpløs timeplan, hvor all timeplanfestet undervisning var lagt til fredag (4 t øving 8-12; 2 t forelesning 14-16). Undervisning var i starten heldigital (pga koronarestriksjoner), men det ble raskt åpnet for fysisk undervisning. Vi valgte dessuten å del øvingsundervisning i 2 bolker, hvor 2 t tirsdag (16-18) var online og bruk av ‘breakout rooms’ – og 2 timer med fysisk oppmøte på datalab 10-12 fredag. Dette ble godt mottatt og med rimelig godt ‘oppmøte’ begge dager. Men det var begrenset oppmøte på forelesningene fredag 14-16, mest sannsynlig pga ugunstig tidspunkt, men også fordi opptak fra tidligere forelesninger (fra 2021) ble gjort tilgjengelig digitalt via BB. Hvor mange og hvilken grad dette ble brukt er det ikke data for. De som likevel møtte på forelesningene var i hovedsak fornøyd med disse, men det er ulike oppfatninger om omfang og detaljering i oppgavetekster og veiledning på lab. Men generelt er det ønske om mer kode-eksempler og spesielt flere widget-eksempler i forelesningene. Undervisningen er lagt opp omkring 12 øvingsoppgaver. Tema (teori) for øvingene og noe nødvendig løsningsmetodikk presenteres i forelesningene. Studentene jobber i hovedsak i grupper a 2 og 2 og løser en oppgave per uke. Det er ingen pensumlitteratur i vanlig forstand. Nødvendig bakgrunnsstoff i form av notater/utfyllende øvingstekster og noe relevant litteratur oppgis/deles ut i samband med øvingene. All skriftlige kommunikasjon med studentene skjer via BB. Dette fungerte bra. Studentene leverer besvarelsene elektronisk hver uke og hver gruppe får fortløpende individuell tilbakemelding/godkjenning/vurdering ved bruk av 0-10 skala via BB. I tillegg til obligatoriske øvinger omfattet årets opplegg en semesterprøve (4 t på datalab) med individuell oppgaveløsning med elektronisk innlevering. Læringsutbytte er oppdatert og relevant, og for oppgavene brukes et moderne programmeringsspråk Python. Læringsutbytte ble kommunisert i den første forelesningen, hvor god tid blir brukt til å motivere studentene om opplegget og at i hver oppgave som kommer så får de lære seg både nytt teori, ny numerisk metode og etter hvert også nye grafiske og interaktive måter å presentere data på. Studentene likte at oppgavene er relatert til materialteknologi/kjemi slik at de faktisk ser hvordan programmering kan bli nyttig for dem senere i studiet og i arbeidslivet. De fleste MTMT-studentene kan mye av forelest teori, mens det var lenge siden de hadde hatt IKT fag, - det var derfor ønske om å legge mer vekt på selve programmeringen, inkl. tips og triks med "live" koding, vise typiske "pittfals" og typiske feil. Det er stor variasjon av programmeringsevner mellom studentene, noe vi prøver å ta hensyn til gjennom veiledningen. Noen var langt fremme og ble utfordret på mer avanserte Python muligheter, mens andre fikk en mer tålmodig veiledning i grunnleggende ferdigheter. Filosofien i kurset er å skape en viss mestringsfølelse hos alle, også de som har begrensede ferdigheter ved starten av faget, og det er antagelig denne gruppa som har størst læringsutbytte og progresjon. De fleste var godt fornøyd med øvingene og de følte jevn progresjon fra uke til uke. Studentene virket motivert, hvor noen jobbet i hovedsak uten hjelp, mens andre spurte mye og fikk hjelp. Dette aspektet bidrar til å gjør vurderingene vanskelig. De generelle tilbakemeldingene var at kurset var nyttig og lærerikt og at studentene hadde et godt læringsutbytte, både mht faglige problemstillinger og programmeringsferdigheter.

Evaluering og karaktersetting har som de seneste årene vært basert på (ukentlig) innleverte arbeider/øvinger (70%), og en semesterprøve (30%). Det siste gir muligheter for en viss individuell vurdering (større differensiering) en det kun innleverte øvinger gir. Men evalueringskriterier og evaluering av arbeider (utført under veiledning, og med ‘ubegrenset’ tid) er svært utfordrende og arbeidskrevende, og det er generelt vanskelig å differensiere i særlig grad. Karaktersettingen er utfordrende og det er vanskelig å være objektiv og rettferdig, bl.a. siden gruppene kan være svært ulikt sammensatt og graden av selvstendighet varierer mye. Faget er sånn sett strengt tatt ikke egnet for karaktersetting, men det virker. Bruk av karakterer betyr økt motivasjon og arbeidsinnsats og har stor betydning for læringsutbyttet! Bruk av individuell semesterprøve er bra og har lettet differensiering og endelig karaktersetting, men det like fullt et problem når denne teller kun 30% (begrenset av gjeldende regelverk). Dette er reflektert i et høyt karakternivå, hvilket reflekterer iherdige og arbeidsvillige studenter, men også undervisningsform (utstrakt og aktiv veiledning) og evalueringsform hvor en sterkere differensiering som sagt er svært vanskelig. Innleverte arbeider er ofte et resultat av mye arbeid, men tidvis kombinert med mye hjelp og veiledning og innleveringene holder derfor normalt et meget høyt nivå. Vurderingene blir nødvendigvis mer ‘skjønnsmessige’ enn ved ordinær skoleeksamen, og endelige karakterer (selv om de i hovedsak er gode) blir av samme grunn tidvis gjenstand for diskusjon og klager.

Vurdering av alle øvinger/oppgaver gjennom semesteret gir grunnlag for sluttkarakter i emnet. Sluttkarakter gis etter at kurset er ferdig. Ved gjentak av emnet må alle øvinger/oppgaver i emnet gjentas.

Etter avsluttet kurs skal studenten kunne: - Identifisere og beskrive viktige elementer i matematisk modellering av prosesser og reaksjoner i materialvitenskap og kortfattet gjøre rede for hvorfor og i hvilken sammenheng dette kan være nyttig. - Anvende enkle algoritmer for kurveglatting, numerisk derivasjon og integrasjon i regneark (Excel), for å kunne behandle relevante måledata, herunder grafisk presentasjon av resultatene. - Kjenne til prinsippene for modelltilpasning/regresjon og kunne nyttegjøre seg 'trendline' og Problemløseren (Solver) for å gjennomføre beregninger i Excel for bestemmelse av ulike modellparamtere. - Analysere og omformulere matematiske ligninger og enkle modeller til en form som er egnet for numeriske løsningsmetoder i et datamaskinprogram. - Anvende grunnleggende prinsipper og algoritmer for å lage effektive og brukervennlige datamaskinprogrammer for numeriske beregninger/simuleringer, herunder bruke løkkestrukturer, betingelser og programmodulering, samt enkle/nyttige metoder (menyer)for input/output. - Implementere og gjennomføre relevante beregninger som involverer algoritmer for numerisk derivasjon og integrasjon, iterative teknikker for ligningsløsning, numeriske metoder for løsning av ordinære og partielle differensialligninger (inkl. Eulers metode, Runge-Kutta-metoder, Finite difference-metoder). - Anvende tilfeldige tall og Monte-Carlo metoder for å løse deterministiske problemer og spesifikt for å gjennomføre beregninger av bestemte integraler. - Analysere og diskutere nøyaktighet i relevante numeriske beregninger, samt kunne velge relevante modellparamtere for å oppnå ønsket nøyaktighet.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(18305)/FieldValuesAsText

Studentene var generelt positive og glad i faget, de syns det er en viktig fag å ta, viktige og nyttige ting å lære seg, fint å øve mye på programmering. Omfang og vanskelighetsgrad oppfattes som OK og i samsvar med normert belastning. Det ble 62 studenter som tok faget og dermed ble veiledningskapasiteten (faglærer + 2 vit.ass) ansett som ikke tilstrekkelig. Det er ulike oppfatninger om omfang og detaljering i oppgavetekster og veiledning på lab. Oppslutningen om forelesningene var god selv om forelesningene ble online hele semesteret og tatt opp med Panopto og lagt i Blackboard (BB) samme dagen. Evalueringskriterier og evaluering av ‘arbeider’ er et tilbakevennende og vanskelig tema. Undervisningen er lagt opp omkring 12 øvingsoppgaver. Tema (teori) for øvingene og noe nødvendig løsningsmetodikk presenteres i forelesningene. I år øvingene foregikk på Zoom ved hjelp av Breakout rooms. Ble basert på bruk av Excel og Python. Studentene jobber i hovedsak grupper a 2 og 2 eller 3 og 3 og løser en oppgave per uke. Det er ingen pensumlitteratur i vanlig forstand. Nødvendig bakgrunnsstoff i form av notater/utfyllende øvingstekster og noe relevant litteratur oppgis/deles ut i samband med øvingene. All skriftlige kommunikasjon med studentene skjer via BB. Dette fungerte bra. Studentene leverer besvarelsene elektronisk hver uke og hver gruppe får fortløpende individuell tilbakemelding/godkjenning/vurdering ved bruk av 0-10 skala via BB. I tillegg til obligatoriske øvinger omfattet årets opplegg en semesterprøve med individuell oppgaveløsning med elektronisk innlevering. Alle hjelpemidler var tillatt. Pga. koronasituasjonen ble semesterprøve hjemmebasert. Da fikk studentene 2 problemer å løse innenfor 16 timer. 10 ulike varianter av eksamen ble brukt. Responsen fra studentene var positivt. Vi hadde 1 felles session (4 timer etter starten ) der vi luket ut noe usikkerheter i eksamenteksten på en generell måte.

Læringsutbytte er oppdatert og relevant, for oppgavene brukes moderne programeringsspråk Python. Læringsutbytte er kommunisert på den første forelesningen, hvor jeg brukte god tid for å motivere studentene om opplegget og at i hver oppgave som kommer så får de lære seg både nytt teori, ny numerisk metode og etterhvert også nye grafiske og ineraktive måter å presentere data på. Læringsutbytte bør inneholde de standarde numeriske metoder som er faste men oppgavene kan få liten variasjon etter Physmet gruppes fokusområder og aktuelle problemstillinger. Studnetene likte at oppgavene er relatert til materialteknologi/kjemi slik at de faktisk så hvordan programmering blir nyttig for dem i arbeidslivet. De fleste MTMT kan mye av forelest teori, men IKT fag var lenge siden og derfor ønsker de legge mer vekt på selve programmeringen. Basert på ønsker rapporter i forrige år ble det økt andel av "live" programmering i forelesning, mer fokus på Python som språk og muligheter den har. Dette ble tatt veldig positivt imot og studentene fortsatt ønsker å øke andel av programmering i forelesning, vise enda mer tips og triks med "live" koding, vise typiske "pittfals" og feil man kan fort gjøre. Mange sier de husker physmet teoriene men IKT fag var lenge siden og derfor ønsker de legge mer vekt på selve programmeringen. Studentene var fornøyd med mengde av "numerikken" (numeriske metoder) anvendt i faget. Selv om alle anvendte numeriske metoder har studentene hatt før ("Matte 4") men flere utrykket seg at nettopp gjennom dette faget forstått de dem ordentlig.

Til å begynne var det veldig stor variasjon av programmeringsevner mellom studentene. Jeg har undersøkt det i detalj i en intro survey på begynnelsen. Etter anbefalling ble det økt andel av Python repetering, nesten fra "scratch" for å utligne forkunskaper i Python. Studentene likte veldig godt programmering i timen av noe små eksempler, slik at de fikk et glimt av hvordan en bestemt del av teori kan mulig implementeres i koden. Dette ble det økt andel og fremdeles vill de ha mer av. Etter hvert fikk jeg bedre bilde gjennom øvingstimene, hvordan er nivået fordelt, så fikk hver gruppe relativt skredeskydd hjelp. Noen var lang fremm og ble utfordret på avanserte python muligheter, andre fikk en tålmodig veiledning i basics. De fleste var godt fornøyd med øvingene og de føllte gjevn progresjon fra uke til uke. Enkelte ville ønske seg to timer mer i øvinger, dvs. 6 timer i strekk istedenfor 4 timer. De som kunne Python godt fra før laget veldig avanserte grafiske data presentasjon med en gang, noen hadde som mål å klare å ha en kode som kjører korrekt. Tradisjonelt har man sett er med programmering kan det fort skje at hvis man ikke føler mestring tidlig nok, så kan man kjapt konkludere at "dette er min greie". Det aller viktigste var å skape små mestring hos de som følte seg minst trygg i programmering. Jeg føler at det var faktisk denne gruppa som fikk også den største progresjon. Studentene virket motivert, noen jobbet relativt uten hjelp, noen spurte mye etter hjelp. Dette aspekte også gjør vurdering noe vanskelig.Veiledningskapasiteten med 2 studasser for 62 studenter i år er vurdert som ikke tilstrekkelig. De fikk utvidet antall av timer fra IMT som var veldig positivt. Det resulterte til større mengde av arbeid for studassene som må sjekke og forstå koden til hver av ca. 30 grupper, finne feil og skrive en god skredeskydd tilbakemelding og gi en god vurdering. Begge stud.assene utrykkte at de brukt mer timer på å utføre jobben sin en det var tenkt. Om antall av studenter blir like stor eller større, anbefalles det til å øke antall av studasser til 4 eller endre på vurderingsform.

Evaluering og karakterer har dette semesteret vært basert av innleverte arbeider/øvinger (70%), og en semesterprøve (30%). Det siste gir muligheter for en viss individuell vurderinger (større differensiering) en det kun innleverte øvinger gir. Men evalueringskriterier og evaluering av arbeider (utført under veiledning, og med ‘ubegrenset’ tid) er svært utfordrende og arbeidskrevende, og det er generelt vanskelig å differensiere i særlig grad. Evalueringsformen vurderes kontinuerlig, og alternative/nye evalueringskriterier må vurderes. Karaktersettingen er svært vanskelig og det er vanskelig å være objektiv og rettferdig, bl.a. siden gruppene kan være svært ulikt sammensatt og graden av selvstendig varierer mye. Faget er sånn sett strengt tatt ikke egnet for karaktersetting, men det virker. Bruk av karakterer betyr økt motivasjon og arbeidsinnsats og har stor betydning for læringsutbyttet! Bruk av individuell semesterprøve er bra og har lettet differensiering og endelig karaktersetting, men det like fullt et problem når denne teller kun 30% (begrenset av gjeldende regelverk). Dette er reflektert i et høyt karakternivå, hvilket reflekterer iherdige og arbeidsvillige studenter, men også undervisningsform og evalueringsform hvor en sterkere differensiering som sagt er svært vanskelig. Innleverte arbeider er ofte et resultat av mye arbeid, men tidvis kombinert med mye hjelp og veiledning og innleveringene holder derfor normalt et meget høyt nivå.

Alle trykte og håndskrevne hjelpemidler tillatt. Alle kalkulatorer tillatt.

Emnet Informasjonsteknologi GK eller emner som gir tilsvarende innsikt i bruk av basis dataverktøy. Basiskunnskaper i numeriske metoder, f.eks. TMA4125 Matematikk 4N. Det er en fordel med, men ikke absolutt nødvendig, med et introduksjonskurs i materialteknologi.

Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår obligatoriske arbeider (70%) og en obligatorisk semesterprøve (30%). Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter. 
Ved gjentak av emnet må alle vurderinger i emnet gjentas.

Ca. 2/3 av kurset omfatter programmering i Python (alt. Matlab). Det forutsettes at kandidatene har grunnleggende kunnskap om bruk av Python/Matlab og programmering i Python/Matlab, eller tilsvarende forkunnskaper som av faglærer vurderes tilstrekkelige til å følge kurset. 

Undervisningen vil bli lagt opp omkring 11-12 relevante øvingsoppgaver. Tema for øvingene og nødvendig løsningsmetodikk vil bli presentert i forelesningene. Øvingene vil forgå på datalab (PC-lab), og vil i hovedsak basere seg på bruk av regneark (Excel) og Python/Matlab. 
Total arbeidsmengde (programmert undervisning + egenarbeid) er estimert  til ca 200 timer. 

Etter avsluttet kurs skal studenten kunne:
- Identifisere og beskrive viktige elementer i matematisk modellering av prosesser og reaksjoner i materialvitenskap og kortfattet gjøre rede for hvorfor og i hvilken sammenheng dette kan være nyttig.
- Anvende enkle algoritmer for kurveglatting, numerisk derivasjon og integrasjon i regneark (Excel), for å kunne behandle relevante måledata, herunder grafisk presentasjon av resultatene.
- Kjenne til prinsippene for modelltilpasning/regresjon og kunne nyttegjøre seg trendline og Problemløseren (Solver) for å gjennomføre beregninger i Excel for bestemmelse av ulike modellparamtere.
- Analysere og omformulere matematiske ligninger og enkle modeller til en form som er egnet for numeriske løsningsmetoder i et datamaskinprogram.
- Anvende grunnleggende prinsipper og algoritmer for å lage effektive og brukervennlige datamaskinprogrammer for numeriske beregninger/simuleringer, herunder bruke løkkestrukturer, betingelser og programmodulering, samt enkle/nyttige metoder (menyer)for input/output.
- Implementere og gjennomføre relevante beregninger som involverer algoritmer for numerisk derivasjon og integrasjon, iterative teknikker for ligningsløsning, numeriske metoder for løsning av ordinære og partielle differensialligninger (inkl. Eulers metode, Runge-Kutta-metoder, Finite difference-metoder).
- Anvende tilfeldige tall og Monte-Carlo metoder for å løse deterministiske problemer og spesifikt for å gjennomføre beregninger av bestemte integraler.
- Analysere og diskutere nøyaktighet i relevante numeriske beregninger, samt kunne velge relevante modellparamtere for å oppnå ønsket nøyaktighet.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(12747)/FieldValuesAsText

Studentene ble svært godt fornøyd med faget og opplegget. Omfang og vanskelighetsgrad oppfattes stort sett OK og i samsvar med normert belastning. Veiledningskapasiteten (faglærer + 2 vit.ass) ansett som på grense å være tilstrekkelig. Det er ulike oppfatninger om omfang og detaljering i oppgavetekster og veiledning på lab. Oppslutningen om forelesningene er god, men sprikende oppfatninger om tema i forelesningene (teori vs. Løsningsmetodikk). Evalueringskriterier og evaluering av ‘arbeider’ er et tilbakevennende og vanskelig tema. Undervisningen er lagt opp omkring 12 øvingsoppgaver. Tema (teori) for øvingene og noe nødvendig løsningsmetodikk presenteres i forelesningene. Øvingene forgår på datalab (PC-lab) og baseres på bruk av regneark (Excel) og Python. Studentene jobber i hovedsak grupper a 2 og 2 eller 3 og 3 og løser en oppgave per uke. Det er ingen pensumlitteratur i vanlig forstand. Nødvendig bakgrunnsstoff i form av notater/utfyllende øvingstekster og noe relevant litteratur oppgis/deles ut i samband med øvingene. All skriftlige kommunikasjon med studentene skjer via Blackboard; BB er OK. Dette fungerte bra. Studentene leverer besvarelsene elektronisk hver uke og hver gruppe får fortløpende individuell tilbakemelding/godkjenning/grov-vurdering via BB. I tillegg til obligatoriske øvinger omfattet årets opplegg en semesterprøve med individuell oppgaveløsning med elektronisk innlevering. Alle hjelpemidler var tillatt. Pga. koronasituasjonen ble semesterprøve kjørt ikke på Data-lab, men hjemmebasert. Da fikk studentene 2 problemer å løse innenfor 30 timer. En av dem var individuelt laget for hver enkel student. Oppgaven handlet om å tilpasse ikke-lineær model til noe eksperimentelle data. Da brukte jeg data om koronasmittende og døde som funksjon av tid og hver student fikk sin egen land å jobbe med. Responsen fra studentene var positivt. Hver av studentene fikk mulighet til 15 minuters digitalt møte med meg eller en av stud.assene mens eksamen foregikk. I tillegg hadde vi 2 felles sessions (en rett etter starten og en mot slutten av eksamen) der vi luket ut noe usikkerheter i eksamenteksten på en generell måte. Booking av de 15-min konsultasjonstimeslot ble gjort via OnceHub scheduler tjeneste en uke før eksamen da denne tjenesten passet perfekt til vår behov, dvs. booking av timeslot hos ulike hjelpeperson (meg + 2 stud.asser), cancellering og ombooking muligheter også mens eksamen foregikk (slik kunne studente forskyve sin booket slot fram i tilfelle de ikke ha gjørt nok progress for å kunne ha god nytte av konsultasjon...osv). Tjenesten anbefales og kan kobles mot zoom og kalender så blir logistiken til og med 42 studenter på 30 timer lett og trygg. Også de to siste forelesningene og et par veiledningstimer ble lagt om digital via BB Collab, etter et kort oppstartskrøll fungerte dette bra.

Læringsutbytte er oppdatert og relevant, for oppgavene brukes moderne programeringsspråk Python. Læringsutbytte er kommunisert på den første forelesningen, hvor jeg brukte god tid for å motivere studentene om opplegget og at i hver oppgave som kommer så får de lære seg både nytt teori, ny numerisk metode og etterhvert også nye grafiske og ineraktive måter å presentere data på. Læringsutbytte bør inneholde de standarde numeriske metoder som er faste men oppgavene kan få liten variasjon etter Physmet gruppes fokusområder og aktuelle problemstillinger. Studnetene likte at oppgavene er relatert til materialteknologi/kjemi slik at de faktisk så hvordan programmering blir nyttig for dem i arbeidslivet.

Til å begynne var det veldig stor variasjon av programmeringsevner mellom studentene. Jeg har ikke undersøkt det i detalj i begynnelsen men det anbefalles sterkt neste gang for å tilpasse tempo særlig med python og hvor mye bør man repetere i timen. Studentene likte veldig godt programmering i timen av noe små eksempler, slik at de fikk et glimt av hvordan en bestemt del av teori kan mulig implementeres i koden. Dette ville de ha mer av. Etter hvert fikk jeg bedre bilde gjennom øvingstimene, hvordan er nivået fordelt, så fikk hver gruppe relativt skredeskydd hjelp. Noen var lang fremm og ble utfordret på avanserte python muligheter, andre fikk en tålmodig veiledning i basics. De fleste var godt fornøyd med øvingene og de føllte gjevn progresjon fra uke til uke. Enkelte ville ønske seg to timer mer i øvinger, dvs. 6 timer i strekk istedenfor 4 timer. De som kunne Python godt fra før laget veldig avanserte grafiske data presentasjon med en gang, noen hadde som mål å klare å ha en kode som kjører korrekt. Tradisjonelt har man sett er med programmering kan det fort skje at hvis man ikke føler mestring tidlig nok, så kan man kjapt konkludere at "dette er min greie". Det aller viktigste var å skape små mestring hos de som følte seg minst trygg i programmering. Jeg føler at det var faktisk denne gruppa som fikk også den største progresjon. Studentene virket motivert, noen jobbet relativt uten hjelp, noen spurte mye etter hjelp. Dette aspekte også gjør vurdering noe vanskelig.Veiledningskapasiteten er tidvis en utfordring, men med 100% nærvær fra faglærer + 2 stud.ass’er har dette likevel fungert rimelig bra de siste årene. Begge stud.assene utrykkte at de brukt mer timer på å utføre jobben sin en det var tenkt.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(6051)/FieldValuesAsText

Material- og prosessmodellering - TMT4210