A Large Scale Agile Teaching Framework for Software Engineering
Notice bibliographique
Résumé
There has been a great deal of interest in software engineering as a rewarding career in recent years as industry demands for software professionals continues to rise. As such enrollments in tech-related majors such as software engineering and computer science continues to increase. There are several sources available for learning software engineering including Massive Online Open Courses (MOOCs). Meanwhile, universities are the primary providers of high-quality instruction in this field. Universities have to accept many students, which has created many challenges, such as reducing the quality of education and difficulty managing classes by instructors and assistants. Universities also need to increase their faculty members and improve the educational infrastructure. The industry is changing rapidly and demands graduates to adapt to the needs of the industry as quickly as possible. In addition, they are expected to have some soft skills, such as critical thinking and teamwork, that make university training harder. Various methods have been developed for software engineering education to manage the challenges of large enrollments and providing hands-on learning. These methods are based on active learning, which focuses on the learner rather than the educator, and require more work from instructors. This thesis provides a framework for teaching software engineering (SE) that utilizes DevOps concepts in teaching to respond to the needs of universities, based on agile methodologies and project-based learning that have matured in the industry and educational field after many years. We used machine learning and ML4Code methods to address the challenges of providing scalable feedback in universities, which is an essential need for a practical discipline such as software engineering. During the winter of 2021, this framework was implemented in ENSF 607 - Advanced Software Development and Architecture at the University of Calgary. It was evaluated based on the students’ perceptions of its impact on their learning journey.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,010 |
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 source (Gemma direct ou Codex distillé), 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 ».