Assessment of Algorithmic Abstraction Skills in Higher Education: An Application of the PGK Framework
Notice bibliographique
Résumé
Computational Thinking (CT), particularly abstraction, is essential in engineering education, enabling students to break down complex systems into manageable parts. Abstraction helps learners focus on key elements of a problem, ignoring extraneous details. The PGK framework, suggested by Per-renet, Groote, and Kaasenbrood, defines abstraction across four cognitive levels: problem, algorithm, program, and execution. At a higher education institution that focuses on engineering education, we assessed students' abstraction skills using sorting algorithms, chosen for their foundational role and suitability for testing such skills. Our study focused on two areas: (1) the performance of computer science (CS) and non-CS students on algorithmic abstraction tasks, and (2) how factors like demographics, training, programming proficiency, and self-assessed abstraction mastery correlate with task performance. Results showed that all students, especially non-CS majors (including Engineering), need stronger skills at the algorithm, program (coding algorithms), and execution (code functionality) levels. Many non-CS students overestimated their abilities, highlighting a gap in mastery. Students with programming experience performed better, underscoring the importance of hands-on training. These findings suggest interventions for non-CS students are needed to gain experience in programming and to bridge the gap between perceived and actual skills. Future research should focus on discipline-specific curricula and long-term studies to ensure that all students develop the essential CT skills for the digital era.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».