MétaCan
Menu
Constructeur de cohorte

4 299 418 travaux, canadiens par l’une de quatre routes.

Chaque état de filtre est une URL; l’URL est la requête; la requête est citable via /q/⟨hash⟩. La page, l’API et l’export analysent les mêmes paramètres.

La cohorte courante, diffusée en continu depuis la base de données : toutes les colonnes des travaux, les étiquettes machine, les scores provisoires et l'état de validation de chaque rangée. Les exportations sont plafonnées à 100 000 rangées. Crée un lien /q/ permanent pour cette requête exacte. Les mêmes filtres produisent toujours le même lien, qui que soit le demandeur.

Terme de recherche
Auteur ou autrice
Période
Ordre
Langue
Type
Domaine
Revue
Sujet
Teaching and Learning Programming
Rétractation
Résumé
Source des données probantes
Devis d'étude
Accord des étiquettes
État des étiquettes

Les étiquettes directes de Codex et Gemma sont non validées et clairsemées. Les prédictions distillées couvrent la base complète et sont elles aussi non validées. Choisissez explicitement la source; l'absence d'une étiquette directe n'est jamais une étiquette négative.

affaffiliation
fundbailleur
venuerevue
aboutsujet

Les quatre voies se composent : exigez la voie du financement et excluez l'affiliation pour obtenir la strate financée-seulement qu'aucune base fondée sur l'affiliation ne voit jamais.

980 résultats · 1 filtre actif ·
Résultats par année
20002025
Date de publication
Catégories
Étiquettes machine · couverture clairsemée
Preuves
Langue
Type
Citations
Un travail non étiqueté est inconnu, pas un négatif. La couverture est rapportée à chaque requête.
980 travaux dans la cohorte · sur 4 299 418page 1 sur 20

Les étiquettes couvrent 2 des 980 travaux de cette cohorte. Les autres sont non étiquetés, ce qui n'est pas une étiquette négative : la table des étiquettes est clairsemée aujourd'hui et s'enrichit au fil des rondes d'étiquetage.

Les prédictions distillées couvrent 980 des 980 travaux de cette cohorte. Ces prédictions portent le statut machine_predicted_unvalidated. Le volet Gemma est une étiquette directe du modèle pour chaque travail (titre seulement); le volet Codex est un classifieur distillé et calibré. Le mode candidate est l'union; le consensus est l'intersection.

affnon étiqueté
Developing a computer science-specific learning taxonomy
Ursula Fuller, Colin G. Johnson, Tuukka Ahoniemi, Diana Cukierman, Isidoro Hernán Losada, Jana Jacková +5 autres
2007· article· en· ACM SIGCSE Bulletin· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
279
citations
affnon étiqueté
Compiler Error Messages Considered Unhelpful
Brett A. Becker, Paul Denny, Raymond Pettit, Durell Bouchard, Dennis Bouvier, Brian Harrington +6 autres
2019· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
193
citations
affaboutnon étiqueté
STEAM education: student learning and transferable skills
Marja Gabrielle Bertrand, Immaculate Kizito Namukasa
2020· article· en· Journal of Research in Innovative Teaching & Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
132
citations
afffundnon étiqueté
GeneyTM
Arman Danesh, Kori Inkpen, Felix Lau, Keith Shu, Kellogg S. Booth
2001· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
129
citations
affnon étiqueté
Naturally occurring data as research instrument
Raymond Lister, Tony Clear, Dennis Bouvier, Paul Carter, Anna Eckerdal, Jana Jacková +5 autres
2010· article· en· ACM SIGCSE Bulletin· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
127
citations
afffundnon étiqueté
Reviewing CS1 exam question content
Andrew Petersen, Michelle Craig, Daniel Zingaro
2011· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
120
citations
affnon étiqueté
Algorithmic Literacy and the Role for Libraries
Michael Ridley, Danica Pawlick-Potts
2021· article· en· Information Technology and Libraries· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
93
citations
affnon étiqueté
Ten quick tips for teaching programming
Neil C. C. Brown, Greg Wilson
2018· article· en· PLoS Computational Biology· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
88
citations
afffundsans résuménon étiqueté
A Review of Serious Games for Programming
Michael A. Miljanovic, Jeremy S. Bradbury
2018· review· en· Lecture notes in computer science· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
83
citations
afffundnon étiqueté
Can You Teach Me To Machine Learn?
Elisabeth Sulmont, Elizabeth Patitsas, Jeremy R. Cooperstock
2019· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
80
citations
afffundnon étiqueté
RoboBUG
Michael A. Miljanovic, Jeremy S. Bradbury
2017· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
78
citations
affsans résuménon étiqueté
Developing a computer science-specific learning taxonomy
Ursula Fuller, Colin G. Johnson, Tuukka Ahoniemi, Diana Cukierman, Isidoro Hernán Losada, Jana Jacková +5 autres
2007· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
78
citations
affnon étiqueté
CS girls rock
Sandy Graham, Celine Latulipe
2003· article· en· Computer Science
prédiction machine:candidate · insufficient_payloadconsensus · aucune
67
citations
affaboutnon étiqueté
A pedagogical model for STEAM education
Marja Gabrielle Bertrand, Immaculate Kizito Namukasa
2022· article· en· Journal of Research in Innovative Teaching & Learning· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
60
citations
affvenuenon étiqueté
Maker pedagogy and science teacher education
Shawn Michael Bullock, Andrea J. Sator
2015· article· en· Journal of the Canadian Association for Curriculum Studies· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
57
citations
affnon étiqueté
Drop, Fail, Pass, Continue
Diane Horton, Michelle Craig
2015· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
50
citations
affnon étiqueté
Programming in K-12 science classrooms
Pratim Sengupta, Amanda Dickes, Amy Voss Farris, Ashlyn Karan, David Martin, Mason Wright
2015· article· en· Communications of the ACM· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
49
citations
aboutno affnon étiqueté
What We Say vs. What They Do
Anita DeWitt, Julia Fay, Madeleine Goldman, Eleanor Nicolson, Linda Oyolu, Lukas Resch +7 autres
2017· article· en· Computer Science
prédiction machine:candidate · aucuneconsensus · aucune
46
citations

En coulisses: Sélection · Constats · À propos