Notice bibliographique
Résumé
Learning to code has a reputation for being difficult (Gomes & Mendes, 2007; Jenkins, 2002), and requires a variety of skills, such as math and complex problem solving, that are challenging for many students (Foote, 2014; Gomes & Mendes, 2007; Jenkins, 2002)—especially for those students beginning a college program (Oblinger, 2003). Often, students experience high levels of anxiety even before a programming course has started (Jenkins, 2002). This is particularly true for students who are required to take a course in coding, but who do not plan to continue on to a career in this field. Anecdotally, these students find the fundamentals of code difficult, and often end up “hacking” their way through the course. One approach to addressing this anxiety that has been used with children and youth is to teach code using robotics (Kurebayashi, Kamada, & Kanemune, 2006; McGill, 2012). Learning to code using robotics was found to have many positive effects: a) it allows students to more easily connect individual lines of code to their result (Kurebayashi et al., 2006); b) it stimulates intrinsic motivation (Kurebayashi et al., 2006; McGill, 2012); and c) it increases overall student grades (McGill, 2012).However, there is little to no literature on this type of approach with adult learners. Therefore, the purpose of this study was to look at the effects of incorporating robotics in a playful context (Plass, Homer, & Kinzer, 2015), in a series of “Introduction to Coding” courses at the post secondary level.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».