Analyzing Fine-Grained Skill Development across Computer Science Course Progressions
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
Although ample research has focused on computing skill development over a single course or specific programming language, relatively little attention is paid to how computing skills evolve across a program. Our work aims to understand how specific skills develop throughout a progression of CS courses. We use qualitative content analysis to catalog common errors in assignment submissions from four computing courses forming a prerequisite chain: CS1, CS2, Systems Programming (SP), and Operating Systems (OS). We focus on three fine-grained skills encountered in some form in all four courses: (S1) opening and reading data from a file, (S2) storing or organizing data in data structures, and (S3) using the data to implement a solution for a well-defined task. We study how the commonly observed errors or issues evolve across the prerequisite chain, thus analyzing how these skills develop. We notice successful development in most skills, evidenced by a reduction of common errors over the course progression. However, we also notice variability in skill development corresponding to the expected challenges, in working with new techniques (OOP), new languages (C), or concepts (binary files). We also observe an overall lower prevalence of common errors in CS1 and CS2 among students who progress to SP and OS in close succession. We believe that analyzing the evolution of common errors across course progressions would enable educators to gain insight into skills development and if certain outcomes are met more seamlessly than others.
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 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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