Updating our Understanding of the Impact of Pre-College Computing Experiences on University Students
Notice bibliographique
Résumé
This WIP Research paper is a follow-up to a study conducted in 2013 by McGill, Decker, and Settle that investigated the effects of pre-college computing experiences on students' decisions to study computer science at university. Their results indicated that the exposure to pre-college computing activities impacted students in different ways, particularly when looking at perceived impact by men and women participants [1], [2]. After six years and a myriad of changes to the K-12 computing landscape, it was time to see if impacts to current undergraduates were different than previously observed. This current study is a pilot qualitative study in which we interviewed seven undergraduate students about their experiences with computing prior to college. We were particularly interested in finding out about the nature of their computing experiences, whether they enjoyed them, and what they would change to make such experiences better for future participants. We used grounded theory and thematic coding to encode the interview transcripts, enabling us to look for common themes among the interview subjects. We are looking for elements in the interviews that could point to key differences in the pre-college computing landscape that have impacted student experiences that are different from those previously observed and thus impacting their experiences in university with computing. The goal of this preliminary study was to get a sense of what aspects of students' exposure to pre-college computing experiences have changed since 2013 and what changes should be made when creating a follow-up to this initial study.
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 ».