Teaching the art of functional programming using automated grading
Notice bibliographique
Résumé
Online programming platforms have immense potential to improve students' educational experience.They make programming more accessible, as no installation is required; and automatic grading facilities provide students with immediate feedback on their code, allowing them to to fix bugs and address errors in their understanding right away.However, these graders tend to focus heavily on the functional correctness of a solution, neglecting other aspects of students' code and thereby causing students to miss out on a significant amount of valuable feedback.In this thesis, we recount our experience in using the Learn-OCaml online programming platform to teach functional programming in a second-year university course on programming languages and paradigms.Moreover, we explore how to leverage Learn-OCaml's automated grading infrastructure to make it easy to write more expressive graders that give students feedback on properties of their code beyond simple input/output correctness, in order to effectively teach elements of functional programming style.In particular, we present our extensions to the Learn-OCaml platform that evaluate students on test quality and code style.We then describe how we used these extensions in a later offering of our course to better pursue our teaching goals, and provide data from a study on students' code submissions to determine how students were using the platform.By providing our lessons learned over these semesters of using Learn-OCaml, as well as our new tools and a suite of our own homework problems and associated graders, we aim to promote functional programming education, enhance students' educational experience, and make teaching and learning typed functional programming more accessible to instructors and students alike all across the globe. AbrégéLes plateformes de programmation en ligne ont un potentiel immense d'améliorer l'expérience éducationnelle des étudiants.Elles offrent une expérience de programmation plus accessible puisqu'elles ne requièrent pas d'installation de configuration de la part des étudiants.De plus, les systèmes de notation automatique permettent aux étudiants d'obtenir un retour d'information immédiat qui leur donne l'opportunité de corriger leurs erreurs et rectifier directement leur compréhension du problème.Cela dit, ces modules de notation ont tendance à se concentrer sur l'exactitude du fonctionnement d'une solution aux dépends d'autres aspects du code.Cela réduit de façon significative la quantité d'information qui pourrait leur être transmise.Dans ce mémoire, nous décrivons notre expérience de l'utilisation en ligne de la plateforme Learn-OCaml pour enseigner à des étudiants de deuxième année la programmation fonctionnelle dans le cadre d'un cours sur les langages et les paradigmes de programmation.De plus, nous explorons de quelle façon nous pouvons utiliser l'infrastructure de notation automatique de Learn-OCaml pour faciliter l'écriture de modules de notation plus expressifs.Ces modules, en plus de vérifier l'exactitude du code, permettent effectivement d'enseigner des éléments de style de la programmation fonctionnelle.En particulier, nous présentons nos extensions de la plateforme Learn-OCaml qui évaluent les étudiants sur la qualité de leurs tests et le style de leur code.De plus, nous décrivons comment nous avons utilisé ces extensions dans le cadre d'un cours pour faciliter l'enseignement de bonnes pratiques de programmation et faisons l'analyse de données provenant d'une étude sur l'utilisation de la plateforme par les étudiants grâce à la soumission de leur code.À travers la présentation des leçons tirées de l'utilisation de la plateforme Learn-OCaml ainsi que des nouveaux outils et modules de notation que nous avons créés, nous désirons faire la promotion de l'éducation de la programmation fonctionnelle, améliorer l'expérience éducationnelle des étudiants et rendre l'enseignement et l'apprentissage de la programmation fonctionnelle typée plus accessible à la fois aux enseignants et aux étudiants à travers le monde.in making our experience using Learn-OCaml a success: Akshal Aniche, Ivan Miloslavov,
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,007 |
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 ».