Retention in Computer Science Course
Notice bibliographique
Résumé
Throughout its history, careers in fields related to Computer Science (CS) have expanded. However, there have been periods, like the year 2000 following the 'dot-com bust' when skilled people had to change employers, invoking negative publicity. The effect of this on enrollment in CS education was dramatic and lasted until 2007. According to Computing Research Association (CRA), there was an amazing increase in CS enrollment in 2008. Total enrollment per department by majors and pre-majors in U.S. CS programs is up 6.2% in 2008, and if only majors are considered, the increase is 8.1% CS student data are similar in Canadian schools There is a significant increase in number of enrollments in Computer Science education since 2008 The vital next step is to retain the enrolled students in Computer Science courses. Keeping that in mind, our research has combined the understanding of retention issues with some action strategies. This paper describes a first year CS course with this objective, initial finding and recommends some strategies to help students to successfully complete the course. In this research, we seek the clear indicators of withdrawal from or unsuccessful completion of a first year CS course. We suggest strategies to reduce the withdrawal rate and provide students with greater confidence in their ability to succeed. Our recommendations are for exam-ple, adapting the curriculum to the learners expectations i.e., making early assignments easier and less intimidating. Overall, the number of female students in computer science is low Our suggestion is designating support for female students through the course.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».