Improved Student Learning Experience in Large Programming Classes Using Pseudo-Flipped Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In an effort to improve student engagement in large programming classes, this study proposes a pseudo-flipped (PF) method of teaching that combines the core principles of two popular teaching methods, traditional and flipped (or inverted), thereby mitigating the drawbacks of these methods. In traditional teaching, class time is mostly used by instructors to teach a class using pre-prepared lecture slides and smartboards or similar alternatives, whereas students, mostly passively, listen to the lecture and take notes. In a purely flipped class, all resources traditionally taught in classroom are moved outside the classroom, either as text, video, audio, students are expected to read or view lectures before class, and the instructor uses class time in solving problems. In the proposed PF method, students are taught in a traditional way for half the allocated time. For the other half, students solve problems in class with the instructor’s assistance. Similar to the flipped method, in PF, students learn concepts on their own outside the classroom using an interactive textbook. To fill gaps in their knowledge, instructors spend time teaching those core concepts in class by solving problems. PF promotes active learning by engaging students towards solving problems on learnt concepts. A survey is done in a programming class to find student opinion on how useful this pseudo-flipped method is on student engagement as opposed to traditional teaching. Both quantitative and qualitative analysis of the survey responses strongly favour the proposed method, with more than 70% of students in favour of it.
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.
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle