Learning and Using Formal Language
Notice bibliographique
Résumé
Keywords: POP-I.B. cognitive processes, POP-II.A learning styles, POP-VI.E computer science education Regular expressions are a convenient and simple notation for expressing the members of a regular language. This simplicity enables regular expressions to serve as models of more complex context-free programming languages. To examine techniques in teaching programming, we exposed first year students with no knowledge of regular expressions to two tasks. The tasks asked participants to identify occurrences of a given expression (matching) or to create an expression to describe a set of occurrences (creation). Matching and creation can be viewed as parallel to reading and writing, suggesting that as reading skills help to develop writing skills, then similarly, matching skills help to develop creation skills. We hypothesised that a practice effect exists and that exposure to the matching task before the creation task improves performance on the latter. However, in an experimental setting, this hypothesis is not supported. Practice on recognition tasks provided no measurable benefits and suggests that the learning of formal language differs significantly from that of natural language. To verify this finding in an alternative setting, we performed a second experiment to test the hypothesis that performance will be similar when locating errors in HTML and when creating HTML. This experiment revealed no significant performance differences. One explanation for these results is that novices lack a lexicon of concepts to which language constructs can be mapped, and therefore view formal languages as rule-based systems. Consequently, the skills used for learning natural language can not be applied. These findings also suggest that for formal languages there is a greater need for instructional interventions such as performance feedback.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».