MétaCan
Menu
Retour à la cohorte
Enregistrement W3217772195 · doi:10.32517/2221-1993-2021-20-7-20-26

Native and foreign approaches to teaching coding at school

2021· article· en· W3217772195 sur OpenAlexaboutno aff
K. N. Kostitsin, P. K. Chernova

Notice bibliographique

RevueInformatics in school · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueArtificial Intelligence in Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoding (social sciences)CurriculumIrishMathematics educationInformaticsPedagogyPsychologyMedical educationPolitical scienceSociologyMedicineSocial science

Résumé

récupéré en direct d'OpenAlex

The article describes the experience of teaching coding in the curricula of schools in Ireland and the province of Ontario (Canada). The province of Ontario is a successful participant in the International Computer and Informational Literacy Study (ICILS); Ireland attaches particular importance to the possibility of developing 21st century skills in coding. The goals, objectives, structure of the content of the corresponding training courses and the planned learning outcomes are presented. The Canadian, Irish and Russian approaches to teaching coding at school are compared according to the following criteria: compulsory mastery, thematic blocks, software, subject results, skills of the XXI century, course duration. The advantages of the Russian informatics course and the possibility of using foreign experience in the construction of elective courses and/or extracurricular programs are described.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,757
Score d'incertitude au seuil0,510

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,129
Tête enseignante GPT0,315
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInformatics in schoolMême sujetArtificial Intelligence in EducationTravaux en français237 207