preparing the future workforce for careers in science and
play

Preparing the Future Workforce for Careers in Science and - PowerPoint PPT Presentation

Preparing the Future Workforce for Careers in Science and Engineering Steven I. Gordon sgordon@osc.edu The Need for a Modeling Savvy Workforce Documen(ng the Need How science and engineering (and social


  1. Preparing the Future Workforce for Careers in Science and Engineering Steven I. Gordon sgordon@osc.edu

  2. The Need for a Modeling Savvy Workforce • Documen(ng ¡the ¡Need ¡ • How ¡science ¡and ¡engineering ¡(and ¡social ¡ science ¡and ¡humani(es) ¡research ¡is ¡done ¡ • What ¡should ¡our ¡students ¡know? ¡ • Implemen(ng ¡changes ¡to ¡the ¡curriculum ¡ • Resources ¡and ¡services ¡to ¡assist ¡in ¡making ¡ changes ¡

  3. Crucial Tools for Manufacturing • At ¡Ford, ¡HPC ¡…allows ¡us ¡to ¡ Ford ¡EcoBoost ¡ build ¡an ¡environment ¡that ¡ Technology ¡ con(nuously ¡improves ¡the ¡ product ¡development ¡process, ¡ ¡ speeds ¡up ¡(me-­‑to-­‑market ¡and ¡ ¡ lowers ¡costs. ¡ • The ¡ongoing ¡use ¡of ¡modeling ¡ and ¡simula(on ¡resulted ¡in ¡new ¡ Durable ¡ packaging ¡and ¡product ¡design ¡ coffee ¡ that ¡propelled ¡the ¡brand ¡to ¡a ¡ package ¡ leading ¡market ¡posi(on ¡over ¡a ¡ for ¡P&G ¡ several-­‑year ¡period. ¡

  4. Large Scale Video Analytics • Crea(on ¡of ¡human-­‑ machine ¡hybrid ¡process ¡ to ¡analyze ¡and ¡archive ¡ video ¡images ¡ • Allow ¡explora(on ¡of ¡ cultural ¡trends ¡through ¡ analysis ¡of ¡video ¡ archives ¡

  5. Analysis Process Source: http://www.academia.edu/2653762/Large_Scale_Video_Analytics_On- demand_iterative_inquiry_for_moving_image_research

  6. Making Progress in Science • A ¡number ¡of ¡studies ¡document ¡the ¡need ¡for ¡ computa(onal ¡scien(sts ¡ – …” ¡computer ¡modeling ¡and ¡simula(on ¡are ¡the ¡key ¡elements ¡for ¡ achieving ¡progress ¡in ¡engineering ¡and ¡science.” ¡ NSF ¡Blue ¡Ribbon ¡Panel ¡on ¡ Simula(on-­‑Based ¡Engineering ¡Science ¡ – “Unfortunately, ¡the ¡transla(on ¡of ¡systems ¡biology ¡into ¡a ¡broader ¡ approach ¡is ¡complicated ¡by ¡the ¡innumeracy ¡of ¡many ¡biologists” ¡ Cassman ¡et ¡al. ¡Barriers ¡to ¡Progress ¡in ¡Systems ¡Biology, ¡Nature ¡Vol. ¡438|22/29 ¡December ¡ 2005 ¡ – Nearly ¡100% ¡of ¡the ¡respondents ¡indicated ¡that ¡HPC ¡tools ¡are ¡ indispensable, ¡sta(ng ¡that ¡they ¡would ¡not ¡exist ¡as ¡a ¡viable ¡business ¡ without ¡them ¡or ¡that ¡they ¡simply ¡could ¡not ¡compete ¡effec(vely. ¡ IDC ¡ Study ¡for ¡Council ¡on ¡Compe((veness ¡of ¡Chief ¡Technology ¡Officers ¡of ¡33 ¡Major ¡Industrial ¡ Firms ¡ 7

  7. Computation is how science is done • Examples ¡

  8. Marketing Computational Science

  9. Computation is Central to How Science is Done • Computa(on ¡lets ¡us ¡ explore ¡phenomena ¡ that ¡are ¡too ¡big ¡or ¡ complex ¡to ¡experiment, ¡ too ¡small, ¡or ¡changes ¡ too ¡fast ¡or ¡too ¡slowly. ¡ • Computa(on ¡allows ¡us ¡ to ¡explore ¡more ¡op(ons ¡ more ¡quickly. ¡

  10. How ¡we ¡teach ¡is ¡just ¡as ¡ important ¡as ¡what ¡we ¡teach ¡ Seymour ¡and ¡Hewig: ¡ ¡Talking ¡About ¡Leaving ¡ Students ¡switching ¡to ¡non-­‑science ¡majors ¡ Over ¡90% ¡indicated ¡poor ¡instruc(on ¡among ¡reasons ¡for ¡ switching ¡ 26% ¡had ¡trouble ¡learning ¡the ¡basic ¡concepts

  11. How ¡Do ¡We ¡Go ¡From ¡the ¡Abstract ¡to ¡the ¡Applied? ¡ F = − kx Wc = −Δ U

  12. Challenges to Changing How and What We Teach • We ¡tend ¡to ¡teach ¡in ¡the ¡way ¡we ¡were ¡taught ¡ • Computa(onal ¡science ¡is ¡interdisciplinary ¡ – Faculty ¡workloads ¡fixed ¡on ¡disciplinary ¡responsibili(es ¡ – Coordina(on ¡across ¡departments ¡is ¡superficial ¡ – Exper(se ¡at ¡universi(es ¡is ¡spogy ¡ • Major ¡(me ¡commitments ¡are ¡required ¡to ¡nego(ate ¡ new ¡programs ¡and ¡develop ¡materials ¡ • Curriculum ¡requirements ¡for ¡related ¡fields ¡leave ¡ligle ¡ room ¡for ¡new ¡elec(ves ¡ • Change ¡is ¡hard ¡ ¡

  13. Pathways to Reform • Integrate ¡computa(onal ¡examples ¡into ¡basic ¡science ¡ and ¡math ¡courses ¡ • Create ¡general ¡educa(on ¡courses ¡that ¡introduce ¡ simula(on ¡and ¡modeling ¡concepts ¡and ¡applica(ons ¡ • Combine ¡those ¡efforts ¡to ¡create ¡formal ¡ concentra(ons, ¡minors, ¡or ¡cer(ficates ¡in ¡ computa(onal ¡science ¡ • XSEDE ¡is ¡working ¡with ¡ins(tu(ons ¡to ¡assist ¡with ¡ those ¡ac(vi(es ¡

  14. What Do Students Need to Know? • Considerable ¡discussion ¡across ¡many ¡disciplines ¡ – Difficulty ¡working ¡from ¡general ¡conceptual ¡ideas ¡to ¡ specific ¡skills ¡and ¡knowledge ¡ – Need ¡to ¡bridge ¡disciplinary ¡boundaries ¡and ¡terminology ¡ • Using ¡a ¡competency ¡based ¡model ¡to ¡arrive ¡at ¡ consensus ¡of ¡the ¡essen(al ¡knowledge ¡base ¡ • Competencies ¡reviewed ¡by ¡both ¡academic ¡and ¡non-­‑ academic ¡experts ¡ • See ¡ hgp://hpcuniversity.org/educators/competencies/ ¡ 16

  15. Ohio Minor Program Example Competencies for Undergraduate Undergraduate ¡minor ¡program ¡ • Minor – 6-­‑8 ¡courses ¡ Simulation and Modeling – Varies ¡based ¡on ¡major ¡ Programming and Algorithms Faculty ¡defined ¡competencies ¡for ¡ • Differential Equations and Discrete all ¡students ¡ Dynamical Systems Reviewed ¡by ¡business ¡advisory ¡ Numerical Methods • commigee ¡ Optimization Program ¡started ¡in ¡Autumn ¡2007 ¡ • Parallel Programming Agreements ¡to ¡share ¡students ¡at ¡ • Scientific Visualization distance, ¡instruc(onal ¡modules, ¡ One discipline specific course revenues, ¡and ¡teaching ¡ Capstone Research/Internship responsibili(es ¡ Experience Discipline Oriented Courses

  16. Example Competencies Simulation and Modeling • Explain ¡the ¡role ¡of ¡modeling ¡in ¡science ¡and ¡engineering ¡ Analyze ¡modeling ¡and ¡simula@on ¡in ¡computa@onal ¡science ¡ • Create ¡a ¡conceptual ¡model ¡ ¡ • Examine ¡various ¡mathema@cal ¡representa@ons ¡of ¡func@ons ¡ • Analyze ¡issues ¡in ¡accuracy ¡and ¡precision ¡ • Understand ¡discrete ¡and ¡difference-­‑based ¡computer ¡models ¡ • Demonstrate ¡computa@onal ¡programming ¡u@lizing ¡a ¡higher ¡level ¡language ¡or ¡ • modeling ¡tool ¡(e.g. ¡Maple, ¡MATLAB, ¡Mathema@ca, ¡Python, ¡other) ¡ Assess ¡computa@onal ¡models ¡ • Build ¡event-­‑based ¡models ¡ ¡ • Complete ¡a ¡team-­‑based, ¡real-­‑world ¡model ¡project ¡ • Demonstrate ¡technical ¡communica@on ¡skills ¡ • ¡ .

  17. Detailed Descriptors Explain the role of modeling in science and engineering Descriptors: Discuss the importance of modeling to science and engineering Discuss the history and need for modeling Discuss the cost effectiveness of modeling Discuss the time-effect of modeling (e.g. the ability to predict the weather) Define the terms associated with modeling to science and engineering List questions that would check/validate model results Describe future trends and issues in science and engineering Identify specific industry related examples of modeling in engineering (e.g., Battelle; P&G, material science, manufacturing, bioscience, etc.) Discuss application across various industries (e.g., economics, health, etc.)

  18. Flexibility in Implementation • Adapt ¡exis(ng ¡courses ¡by ¡adding ¡ computa(onally ¡oriented ¡modules ¡ ¡ • Discipline ¡oriented ¡courses ¡dependent ¡on ¡ exis(ng ¡faculty ¡exper(se ¡and ¡interests ¡ • Different ¡subsets ¡of ¡required ¡and ¡op(onal ¡ competencies ¡(ed ¡to ¡major, ¡required ¡math, ¡ and ¡example ¡projects ¡ 20

  19. Graduate Level Competencies • Assumes ¡some ¡of ¡the ¡background ¡of ¡an ¡ undergraduate ¡ • Focus ¡more ¡on ¡research ¡skills ¡ • Core ¡areas ¡focus ¡on ¡the ¡computer ¡science ¡and ¡ related ¡modeling ¡skills ¡ • Need ¡to ¡branch ¡into ¡a ¡wider ¡array ¡of ¡ specializa(ons ¡based ¡on ¡the ¡nature ¡of ¡the ¡ graduate ¡program ¡ 21

  20. Graduate Competencies 22

Recommend


More recommend