Providing High-Quality Formative Feedback for Database Assignments
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
Abstract Automated systems such as Marmoset, WebCAT, OK, MarkUs, and many others are widely used in assessing programming assignments. Although they enable instructors to assess students' solutions at scale, the core infrastructure of these systems is not much different from a standard build and test environment, which focuses on ensuring correct solutions. However, when it comes to learning, it would be more important to assist students in correcting their misconceptions when their solutions are incorrect, i.e., provide a feedback message accurately showing them what is wrong and what they can do. The latter, which requires high-quality assessment and considerable effort in composing feedback, however, is rarely discussed, not to mention that no tools or support have been developed in these systems to assist in writing them. In this paper, we aim to fill the gap by providing guidance for assessment writers to write effective assessments and feedback for students' solutions. We present an approach to properly organizing the test cases so that automated assessments can identify students' misconceptions accurately, enabling them to provide high-quality formative feedback to rectify students' misconceptions. Following the guidance outlined, we developed assessments for a database course. By comparing student performance with and without the high-quality formative feedback, we observed an overall improvement in RA of $21\%$, with a $73\%$ improvement in query creation and an $11\%$ improvement in ER, with a $32\%$ improvement in composing new relationship sets and/or specializations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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