Improved Student Learning Experience in Large Programming Classes Using Pseudo-Flipped Method
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.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».