STUDENT SUBMISSION PATTERNS IN ONLINE HOMEWORK AND RELATIONSHIPS TO LEARNING OUTCOMES: A PILOT STUDY
Notice bibliographique
Résumé
Online homework systems are being increasingly used for auto-graded, instant feedback homework and practice for students in math, science and engineering. Students may use these systems, which often allow multiple or unlimited tries, in ways that are different from completing traditional paper-based homework, however research relating online homework system patterns of usage and learning outcomes is limited. This study explores online homework submission patterns and their links to student learning outcomes (weighted individual grades) by analyzing the submission patterns of two second-year engineering courses (~130 students each) from our institution over the 2017-2018 academic year using WeBWorK, an open online homework platform. Students in each of the two courses were clustered into three groups using a K-means algorithm based on when during the homework period they tended to submit attempts. Clusters were used to approximately represent a submission pattern, meaning groups of students that submit attempts mostly early, mostly late, or more evenly over the period. Conducting one-way ANOVAs for each course, we found that there is a significant difference between clusters (submission patterns) in terms of mean individual weighted grades on tests and exams (p < 1.07e-08, p < 2.68e-5). Post-hoc analyses revealed that the best performing cluster (students who submit attempts mostly early) had a mean tests/exams grades that were about 10% higher than worst performing cluster (students who submit attempts mostly late) (p < 2.6e-06, p < 9.9e-05).
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».