MétaCan
Menu
Retour à la cohorte
Enregistrement W4396515565 · doi:10.22215/etd/2024-15867

Investigating the Effect of Interface Scaffolding and Example Design on Learning and Performance in a Code-Tracing Tutor

2024· dissertation· en· W4396515565 sur OpenAlexaff
Jay Jennings

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueIntelligent Tutoring Systems and Adaptive Learning
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésTUTORTracingComputer scienceCode (set theory)Mathematics educationHuman–computer interactionPsychologyProgramming languageSet (abstract data type)

Résumé

récupéré en direct d'OpenAlex

A foundational programming skill is code tracing.It involves simulating how a computer executes programs by tracking variable values and flow of program execution.Learning this skill is challenging and so research is needed to identify effective forms of assistance.This dissertation involves the design and evaluation of a computer tutor, called CT-Tutor.The tutor provided assistance for code tracing through interface scaffolding during code tracing as well as worked examples.The tutor was evaluated in three studies.Study 1 involved four versions of CT-Tutor to evaluate the effect of two levels of instructional scaffolding (high/reduced) and two types of instructional order (example-first/problemfirst).Contrary to my hypothesis, there was no evidence for a learning benefit from high scaffolding.However, the high-scaffolding version improved performance by reducing the number of attempts needed to get an answer correct.Instructional order also influenced performance.The example-first group spent more time per example, less time per problem, and required fewer attempts to produce correct answers.To shed light on student reasoning with CT-Tutor, Study 2 used a think-aloud protocol to analyze students' self-explanations and reading behaviors with the high-and reduced-scaffolding versions of the CT-Tutor; an exit interview was used to obtain data on the tutor's usability.Self-explanation was the main variable of interest, as prior research demonstrated it is beneficial for learning.There was no significant difference in the number of self-explanation between the two scaffolding versions.The exit interviews revealed that the CT-Tutor example design could be improved.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,038
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,024
Tête enseignante GPT0,279
Écart entre enseignants0,255 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIntelligent Tutoring Systems and Adaptive LearningTravaux en français237 207