Teaching CS1 with a Mastery Learning Framework: Changes in CS2 Results and Students' Satisfaction
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
Mastery Learning is a pedagogical strategy that allows students to demonstrate mastery of the skills acquired in a course over multiple attempts. Failed attempts are used to provide feedback and are not factored in the final grade. Since its introduction, Mastery Learning has been applied with positive results at all levels of education. We previously presented a report detailing how we redesigned the CS1 course at the University of Houston using a Mastery Learning format, and provided evidence that students in this course mastered more skills than previous students had done in traditional settings. In this new study, we invited students who took the CS1 course in the traditional or new format to answer a survey about their attitude and habits toward the course, and saw that students in the Mastery Learning format felt more motivated to complete the required coursework and more rewarded for their efforts. They were less discouraged by initial challenges, and found learning the material overall easier. They also found it easier to assess their performance, and were more confident they could obtain a good final grade. Additionally, we recorded the performance of 385 students (193 from the traditional and 192 from the Mastery Learning format) in the subsequent CS2 course, and noticed an improvement in grade distribution. We conclude that a Mastery Learning framework can improve students' attitude and satisfaction, as well as their success in later courses.
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 | 0,000 |
| Science ouverte | 0,000 | 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