Managing TAs at Scale: Investigating the Experiences of Teaching Assistants in Introductory Computer Science
Notice bibliographique
Résumé
Teaching assistants (TAs) are essential members of post-secondary instructional teams, who often have considerable student-facing time. The recently increasing demand for introductory computer-science (CS) courses has resulted in a corresponding increased demand for TAs. The existing TA literature has predominantly focused on investigating the role of training in the TA experience, particularly with respect to performance. This provides little insight into how TAs experience their management. Consequently, we investigate the role of management in the experiences of introductory-level CS TAs. We provide the structure for a formal, tiered management scheme employed in a high-enrolment introductory CS course. This scheme attempts to address the challenges associated with managing TAs at scale. As a case study, we compare the experience of TAs under this new management scheme with that of TAs under an informal, unstructured management style used in smaller introductory CS courses. Specifically, we used questionnaires to look at TAs' self-efficacy and understand their experiences. While we did not find a significant difference in TA self-efficacy between the two management styles, thematic analysis of the open-response data revealed a greater number of challenges reported by the TAs under the tiered management system. TAs characterized this tiered system as "organized" and frequently reported feeling overworked. Across both groups, TAs identified improved communication and additional training as factors that could improve their experience. Our findings suggest self-efficacy was not a sufficient measure to quantify TA experience. We propose framing TA experience based on their motivation and general well-being.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».