A Static Analysis Tool in CS1: Student Usage and Perceptions of PythonTA
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
Static analysis tools help programmers write better code. In computer science education, such tools can help students identify common style and coding errors, and lead students to fixing them. However, static analysis tools should be deployed in the classroom with care, so that all students—especially novice programmers—are empowered to act on the feedback they receive from these tools. For the past several years, our department has been integrating PythonTA, an educational static analysis tool, into a large CS1 course to provide students regular formative feedback and as part of the grading of programming assignments. This paper reports on a study of over 800 students conducted in the September 2022 offering of this course. Using both quantitative and qualitative methods, we investigate how students used PythonTA and their perceptions of its helpfulness. Overall, students across all levels of prior programming experience report that this static analysis tool was helpful. Though students with prior experience reported being more confident using the tool than novice programmers, this gap in confidence shrank over the semester. A thematic analysis of student comments on PythonTA found that many students appreciated the tool for improving the quality of their code and their own programming habits, but others responded more negatively, including mentioning frustration or confusion caused by PythonTA’s error messages. We discuss our findings and provide recommendations for educators considering the adoption of static analysis tools in their classrooms.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle