Logo des Repositoriums

Auflistung nach Schlagwort "Introductory Programming"

1 - 2 von 2
  • Konferenzbeitrag
    Fehlvorstellungen in der Programmierausbildung: Eine Heuristik für die semi-automatische Annotation von Fehlerkandidaten
    (Proceedings of the Sixth Workshop "Automatische Bewertung von Programmieraufgaben" (ABP 2023), 2023) Fischer, Björn; Panitz, Sven Eric; Dörner, Ralf
    Die zuverlässige Erkennung von Fehlern zu Fehlvorstellungen in der Programmierausbildung stellt eine Herausforderung dar, die mit Deep Learning adressiert werden kann. In dieser Arbeit wird eine Heuristik vorgestellt, die es ermöglicht, die dafür erforderlichen Annotationen weitestgehend automatisch zu generieren. Die Heuristik verbindet Informationen aus der statischen und dynamischen Codeanalyse mit dem Ziel, mögliche Fehlalarme zu reduzieren. Erste Ergebnisse zeigen in unserem Datenfall anhand eines betrachteten Fehlertyps, dass die Heuristik in etwa der Hälfte der Fälle eine automatische Entscheidung treffen kann und dabei eine Genauigkeit von 81 % erreicht. Dies stellt eine erhebliche Verbesserung von etwa einem Drittel gegenüber den Ergebnissen von Pattern Matching dar.
  • Konferenzbeitrag
    Using data to improve programming instruction
    (DeLFI 2018 - Die 16. E-Learning Fachtagung Informatik, 2018) Öztürk, Alisan; Bonfert-Taylor, Petra; Fügenschuh, Armin
    Programming classes are difficult by nature and educators are eager to find ways to deal with high dropout rates. Today’s technologies allow us to capture programming-related student data, which can be used to identify students in need of assistance and in getting insights in student learning. In order to assist novice programming students in learning how to program, we developed a web-based programming environment, which is used by students throughout the whole course. While it also provides students with enhanced error messages, all data of students’ interactions are captured. Through this data, we identified two metrics, related to small programming assignments, which highly correlate with student performance. These metrics along other features further enabled us to implement machine learning algorithms that could accurately predict dropout-prone students, early on in the course. Overall, methods of educational data mining can be utilized to assist both, students and educators in introductory programming courses.