Enhancing Students' Performance in Computer Science Through Tailored Instruction Based on their Programming Background
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
Computer science including data analytics is a widely popular field, boasting promising career opportunities in the future. Proficiency in programming stands as a fundamental requirement for success in this domain. However, students entering MSc programs in data analytics often possess varying levels of programming background, which can impact their performance in assignments. Recognising and addressing these differences through tailored instruction can improve students’ outcomes. This paper explores the importance of considering students' programming backgrounds in the data analytics field and highlights strategies to enhance their performance based on prior knowledge. This study was carried out on two different modules in two different pathways. We have chosen two distinct cohorts and pathways to ensure unbiased conclusions in our study. The initial research was applied to the Database and Programming Fundamentals module for an MSc data analytics cohort, and then we utilized a Deep Learning module for final year computer science undergraduates as a validation cohort. As a conclusion, this study successfully demonstrated a significant increase in student assignment performance through the implementation of tailored instruction based on students' programming backgrounds. Despite receiving positive student feedback and observing excellent and improved performances, it is crucial to acknowledge instances of unsatisfactory student performance as well. Both studies were conducted by the School of Electronics, Electrical Engineering, and Computer Science (EEECS) at Queen's University Belfast (QUB) during the academic year 2021/2022.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 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