Approaches to R education in Canadian universities
Notice bibliographique
Résumé
Introduction: R language is a powerful tool used in a wide array of research disciplines and owes a large amount of its success to its open source and adaptable nature. The popularity of R has grown rapidly over the past two decades and the number of users and packages is increasing at a near exponential rate. This rapid growth has prompted a number of formal and informal online and text resources, the volume of which is beginning to present challenges to novices learning R. Students are often first exposed to R in upper division undergraduate classes or during their graduate studies. The way R is presented likely has consequences for the fundamental understanding of the program and language itself; user comprehension of R may be better if learning the language itself followed by conducting analyses, compared to someone who is learning another subject (e.g. statistics) using R for the first time. Consequently, an understanding of the approaches to R education is critical. Methods: To establish how students are exposed to R, we used a survey to evaluate the current use in Canadian university courses, including the context in which R is presented and the types of uses of R in the classroom. Additionally, we looked at the reasons professors either do or don’t use/teach R. Results: We found that R is used in a broad range of course disciplines beyond statistics (e.g. ecology) and just over one half of Canadian universities have at least one course that uses R. Discussion and Conclusions: Developing programming-literate students is of utmost importance and our hope is that this benchmark study will influence how post-secondary educators, as well as other programmers, approach R, specifically when developing educational and supplemental content in online, text, and package-specific formats aiding in student’s comprehension of the R language.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,018 |
| Études des sciences et des technologies | 0,028 | 0,011 |
| Communication savante | 0,012 | 0,004 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».