論文の概要: Teaching Programming to Novices: A Large-scale Analysis of App Inventor Projects

• arxiv url: http://arxiv.org/abs/2006.11327v2
• Date: Sun, 25 Apr 2021 03:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-13 11:15:13.509630
• Title: Teaching Programming to Novices: A Large-scale Analysis of App Inventor Projects
• Title（参考訳）: 初心者にプログラミングを教える - App Inventorプロジェクトの大規模分析
• Authors: Nathalia da Cruz Alves, Christiane Gresse von Wangenheim and Jean Carlo Rossa Hauck
• Abstract要約: App Inventorプロジェクトの規模は、ごくわずかのブロックを持つプロジェクトから、6万ブロックを超える驚くほど大きなプロジェクトまで様々だ。 App Inventorプロジェクトでは、イベントはより支配的であり、条件やループの使用は少ない。
• 参考スコア（独自算出の注目度）: 1.052782170493037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teaching programming to K-12 students has become essential. In this context, App Inventor is a popular block-based programming environment used by a wide audience, from K-12 to higher education, including end-users to create mobile applications to support their primary job or hobbies. Although learning programming with App Inventor has been investigated, a question that remains is which programming concepts are typically used and how this compares to other block-based programming environments. Therefore, we explore the characteristics of App Inventor projects through a large-scale analysis of 88,606 apps from the App Inventor Gallery. We discovered that the size of App Inventor projects varies from projects with very few blocks to some surprisingly large projects with more than 60,000 blocks. In general, much fewer design components are used than programming blocks, as typically, to work properly, several programming blocks are necessary for each design component in an App Inventor project. In addition, we also compare our results with the analysis of 233,491 Scratch projects reported by Aivaloglou and Hermans [4]. Several differences can be observed, as in App Inventor projects events are more predominant, with lesser use of conditionals and loops. These findings may guide the decision on the adoption of App Inventor for teaching computing depending on the specific learning objectives or indicate the need for tailoring the curricula.
• Abstract（参考訳）: K-12学生にプログラミングを教えることが重要である。 このような状況下では、App Inventorは、K-12から高等教育まで、主要な仕事や趣味をサポートするモバイルアプリケーションを開発するエンドユーザを含む、幅広い聴衆が使用しているブロックベースのプログラミング環境である。 App Inventorでプログラミングを学ぶことは研究されているが、どのプログラミング概念が一般的に使われているのか、他のブロックベースのプログラミング環境と比べてどうか、という疑問が残る。 そこで,App Inventor Galleryの88,606本のアプリを大規模に分析し,App Inventorプロジェクトの特徴を考察した。 App Inventorプロジェクトの規模は、ごくわずかのブロックを持つプロジェクトから、6万ブロックを超える驚くほど大きなプロジェクトまで様々です。 一般的には、プログラミングブロックよりもデザインコンポーネントがはるかに少ないため、一般的には、適切に動作するためには、app inventorプロジェクトの各デザインコンポーネントに、いくつかのプログラミングブロックが必要になる。 また,AivaloglouとHermansが報告した233,491のScratchプロジェクトの解析結果と比較した [4]。 app inventorプロジェクトのイベントがより優勢であるように、条件付きやループの使用が少なくなるなど、いくつかの違いが見られる。 これらの発見は、特定の学習目標に応じてコンピューティングを教えるためのApp Inventorの採用に関する決定を導いたり、カリキュラムの調整の必要性を示したりすることができる。

関連論文リスト

• What is a Feature, Really? Toward a Unified Understanding Across SE Disciplines [0.7125007887148752]
  ソフトウェア工学において、'フィーチャー'の概念は要求工学(RE)やソフトウェア製品ライン(SPL)といった分野で矛盾なく定義される。 本稿では、実世界のプロジェクト間で機能がどのように記述され、実装され、管理されるかを研究するための実証的、データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-14T09:08:53Z)
• Darkit: A User-Friendly Software Toolkit for Spiking Large Language Model [50.37090759139591]
  大規模言語モデル(LLM)は、数十億のパラメータからなる様々な実践的応用に広く応用されている。 人間の脳は、生物工学的なスパイキング機構を使って、エネルギー消費を大幅に削減しながら、同じ仕事をこなすことができる。 私たちはDarwinKit(Darkit)という名のソフトウェアツールキットをリリースし、脳にインスパイアされた大きな言語モデルの採用を加速しています。
  論文  参考訳（メタデータ） (2024-12-20T07:50:08Z)
• An Analysis of Automated Use Case Component Extraction from Scenarios using ChatGPT [2.437351937956065]
  大規模言語モデル(LLM)を用いたユーザ認可シナリオからユースケースコンポーネントを抽出する手法を提案する。 以上の結果から,LLMはUC成分を抽出するために追加のドメイン知識を必要とすることが明らかとなり,この知識を組み込むことで抽出したUC成分の品質が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-08-06T18:43:30Z)
• ReGAL: Refactoring Programs to Discover Generalizable Abstractions [59.05769810380928]
  Generalizable Abstraction Learning (ReGAL)は、再利用可能な関数のライブラリをコード化して学習する手法である。 ReGALによって発見された共有関数ライブラリは、プログラムが様々な領域で容易に予測できることを示している。 CodeLlama-13Bでは、ReGALはLOGOで11.5%、日付理解で26.1%、TextCraftで8.1%という絶対精度が向上し、3つのドメインのうち2つでGPT-3.5を上回った。
  論文  参考訳（メタデータ） (2024-01-29T18:45:30Z)
• DevEval: Evaluating Code Generation in Practical Software Projects [52.16841274646796]
  我々はDevEvalという名の新しいベンチマークを提案し、実践プロジェクトにおける開発者の経験と一致している。 DevEvalは、119の実用的なプロジェクトから2,690のサンプルを含む厳格なパイプラインを通じて収集される。 DevEvalの5つの人気のあるLCMを評価し、コード生成における実際の能力を明らかにする。
  論文  参考訳（メタデータ） (2024-01-12T06:51:30Z)
• How is Software Reuse Discussed in Stack Overflow? [12.586676749644342]
  我々は、コード再利用時に開発者が直面する課題をより深く理解するために、1,409件の投稿について実証的研究を行った。 この結果から, 「視覚スタジオ」 が質問投稿における最重要課題であり, 再利用を目的として, 開発者が頻繁に利用するデザインパターンが存在することがわかった。
  論文  参考訳（メタデータ） (2023-11-01T03:13:36Z)
• A Large-Scale Exploratory Study of Android Sports Apps in the Google Play Store [14.58848716249407]
  ひとつのアプリカテゴリーには数万から数十万のアプリが含まれることが多い。 本研究は,1つのカテゴリー(スポーツカテゴリー)から多数のアプリを研究することを目的としている。 対象とするカテゴリのアプリ(例えばスポーツアプリ)を分析することは、異なるカテゴリのアプリを分析することよりも、より具体的な洞察を提供することができる、と結論付けている。
  論文  参考訳（メタデータ） (2023-10-11T22:28:53Z)
• Lessons from Formally Verified Deployed Software Systems (Extended version) [65.69802414600832]
  本稿は、正式に認証されたシステムを作成し、実際に使用するためにデプロイした各種のアプリケーション分野のプロジェクトについて検討する。 使用する技術、適用の形式、得られた結果、そしてソフトウェア産業が形式的な検証技術やツールの恩恵を受ける能力について示すべき教訓を考察する。
  論文  参考訳（メタデータ） (2023-01-05T18:18:46Z)
• Achieving Guidance in Applied Machine Learning through Software Engineering Techniques [0.0]
  現在開発環境とML APIを使用しており、MLアプリケーションの開発者に提供しています。 現在のMLツールは、いくつかの基本的なソフトウェアエンジニアリングのゴールドスタンダードを満たすには足りません。 この結果から,ML固有のソフトウェア工学の研究に十分な機会があることが示唆された。
  論文  参考訳（メタデータ） (2022-03-29T12:54:57Z)
• Using Machine Learning to Predict Engineering Technology Students' Success with Computer Aided Design [50.591267188664666]
  機械学習技術と組み合わせたデータによって、特定の学生がデザインタスクでどれだけうまく機能するかを予測する方法を示す。 初期設計シーケンスアクションを用いたモデルは,特に予測に有用であることが判明した。 これらのモデルをさらに改善することで、事前の予測が得られ、学生のフィードバックがより早く得られるようになり、学習が向上する可能性がある。
  論文  参考訳（メタデータ） (2021-08-12T20:24:54Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。