基於演算法課程之學生能力評估與呈現方法研究
arXiv - Computers and SocietyYingqi Zhang, Ninghan Zheng, Shanshan Li, Weidong Liu
本研究提出一個基於 CC2020 模型的可擴展框架，透過分析學習行為數據來量化評估演算法課程中學生的知識、技能與素養。
AI 幫你先抓重點
AI 重點 1
從「行為序列」而非僅「最終結果」來理解學習過程
滑鼠懸停看 AI 判斷理由
傳統評估往往只看作業對錯，但透過 Markov 過程分析行為路徑，能捕捉學生在解決問題時的認知掙扎與策略，這對於理解自主學習（SRL）中的過程性特徵至關重要。
AI 重點 2
將能力模型（CC2020）與數據驅動的量化指標結合
滑鼠懸停看 AI 判斷理由
這解決了教育界長期存在的難題：如何將抽象的「素養」轉化為可測量的數據。這種做法讓課程設計者能從感性的教學經驗轉向理性的數據驅動決策。
核心研究發現
- 1
研究利用 Markov 過程建模分析學生的行為序列，成功揭示了學生在進行程式設計任務時的認知模式。
- 2
透過將 169 名學生的程式實驗與書面作業數據轉換為 xAPI 規範，實現了學習數據的統一分析與量化。
- 3
研究開發出能區分不同學生集群（clusters）的方法，並利用提交及時性等主動性指標來量化課程實驗的難度。
- 4
該框架能同時量化知識、技能與素養（dispositions）三種維度，為電腦科學教育提供全面的能力評估工具。
對教育工作者的啟發
教育工作者可利用此框架進行「精準教學」。首先，透過學生集群分析，教師能針對不同學習特徵的群體提供差異化介入措施（如針對進度緩慢者提供額外引導）。其次，藉由分析作業提交的時間規律與行為模式，課程設計者可以識別出哪些實驗任務過於困難或缺乏挑戰性，進而優化課程難度梯度。最後，建議將學習行為數據標準化（如採用 xAPI），以利於跨平台整合不同學習活動的數據，建立更全面的學生能力畫像。
原始文獻資訊
- 英文標題：
- Student Competency Assessment and Presentation Methods Based on Algorithm Courses
- 作者：
- Yingqi Zhang, Ninghan Zheng, Shanshan Li, Weidong Liu
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。