論文の概要: An Analysis of Programming Course Evaluations Before and After the
Introduction of an Autograder
- arxiv url: http://arxiv.org/abs/2110.15134v1
- Date: Thu, 28 Oct 2021 14:09:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 16:03:32.606265
- Title: An Analysis of Programming Course Evaluations Before and After the
Introduction of an Autograder
- Title（参考訳）: オートグルーダ導入前後のプログラミングコース評価の分析
- Authors: Gerhard Hagerer, Laura Lahesoo, Miriam Ansch\"utz, Stephan Krusche,
Georg Groh
- Abstract要約: 本稿では,最近自己評価を導入した基礎的コンピュータ科学コースの標準化された大学評価アンケートに対する回答について検討する。
我々は,教師と生徒の交流の改善,コースの質の向上,学習の成功の向上,時間の短縮,難易度の向上など,データに大きな変化をもたらした可能性について仮説を立てた。
オートグレーダ技術は、プログラミングコースにおける生徒の満足度を向上させるための教育方法として検証することができる。
- 参考スコア（独自算出の注目度）: 4.047600110017139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Commonly, introductory programming courses in higher education institutions
have hundreds of participating students eager to learn to program. The manual
effort for reviewing the submitted source code and for providing feedback can
no longer be managed. Manually reviewing the submitted homework can be
subjective and unfair, particularly if many tutors are responsible for grading.
Different autograders can help in this situation; however, there is a lack of
knowledge about how autograders can impact students' overall perception of
programming classes and teaching. This is relevant for course organizers and
institutions to keep their programming courses attractive while coping with
increasing students.
This paper studies the answers to the standardized university evaluation
questionnaires of multiple large-scale foundational computer science courses
which recently introduced autograding. The differences before and after this
intervention are analyzed. By incorporating additional observations, we
hypothesize how the autograder might have contributed to the significant
changes in the data, such as, improved interactions between tutors and
students, improved overall course quality, improved learning success, increased
time spent, and reduced difficulty. This qualitative study aims to provide
hypotheses for future research to define and conduct quantitative surveys and
data analysis. The autograder technology can be validated as a teaching method
to improve student satisfaction with programming courses.
- Abstract（参考訳）: 一般的に、高等教育機関の入門プログラミングコースには、何百人もの学生がプログラムを学びたがっている。
提出されたソースコードをレビューし、フィードバックを提供するための手作業はもはや管理できない。
提出された宿題を手作業でレビューするのは主観的で不公平である。
異なるオートグラファーは、この状況に役立てることができるが、プログラミングクラスや教育に対する学生の全体的な認識に、オートグラファーがどのように影響を与えるかについての知識は乏しい。
これは、学生の増加に対応しながらプログラミングコースを魅力的に保つためのコース主催者や機関にとって重要である。
本稿では,最近自己評価を導入した大規模コンピュータ科学科目における大学評価の標準化に対する回答について検討する。
この介入前後の違いを分析する。
追加の観察を取り入れることで,教師と学生の対話性の向上,コース全体の品質向上,学習成功の改善,使用時間の増加,難易度低減など,データに大きな変化が,自動学習者がどのように貢献したのかを仮定した。
この質的研究は、定量的調査とデータ分析を定義するための仮説を提供することを目的としている。
オートグレーダ技術は、プログラミングコースにおける生徒の満足度を向上させるための教育方法として検証することができる。
関連論文リスト
- Could ChatGPT get an Engineering Degree? Evaluating Higher Education Vulnerability to AI Assistants [175.9723801486487]
我々は,2つのAIアシスタントであるGPT-3.5とGPT-4が適切な回答を得られるかどうかを評価する。
GPT-4は65.8%の質問を正解し、85.1%の質問に対して少なくとも1つの手順で正しい答えを出すことができる。
この結果から,AIの進歩を踏まえて,高等教育におけるプログラムレベルの評価設計の見直しが求められた。
論文 参考訳（メタデータ） (2024-08-07T12:11:49Z) - CourseAssist: Pedagogically Appropriate AI Tutor for Computer Science Education [1.052788652996288]
このポスターでは、コンピュータサイエンス教育用に作られた新しいLLMベースのチューターシステムであるCourseAssistを紹介している。
一般的なLLMシステムとは異なり、CourseAssistは検索強化生成、ユーザ意図分類、質問分解を使用して、AI応答を特定のコース材料や学習目標と整合させる。
論文 参考訳（メタデータ） (2024-05-01T20:43:06Z) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - Intelligent Tutoring System: Experience of Linking Software Engineering
and Programming Teaching [11.732008724228798]
自動グレードを処理する既存のシステムは、主にテストケースの実行の自動化に焦点を当てている。
我々は、自動フィードバックとグレーディングを提供するインテリジェントなチューリングシステムを構築しました。
論文 参考訳（メタデータ） (2023-10-09T07:28:41Z) - Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。
標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。
Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
論文 参考訳（メタデータ） (2022-11-16T10:00:23Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Building an Effective Automated Assessment System for C/C++ Introductory
Programming Courses in ODL Environment [0.0]
学生の作業を評価する従来の方法は、時間と労力の両面で不十分になってきている。
遠隔教育環境では、多くの家庭教師を雇うための重厚な報酬の観点からも、こうした評価がさらに困難になる。
私たちは、効果的な自動評価システムを構築するのに必要な、さまざまなコンポーネントを特定します。
論文 参考訳（メタデータ） (2022-05-24T09:20:43Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z) - Effects of Human vs. Automatic Feedback on Students' Understanding of AI
Concepts and Programming Style [0.0]
自動階調ツールの使用は、大規模な学部プログラミングコースにおいてほぼどこでも行われている。
コンピュータによるフィードバックと人間によるフィードバックを受け取った場合、生徒の成果を直接比較するデータは比較的不足している。
本稿では,90名の生徒を2つのフィードバックグループに分割し,2つのコホートのパフォーマンスの違いを分析することで,このギャップを解消する。
論文 参考訳（メタデータ） (2020-11-20T21:40:32Z)
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。