Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 31 Núm. 61 (2022)
Julio-Septiembre 2022 (Publicación Continua)

Articulos

Estrategia basada en la metodología Computer-Supported Collaborative Learning para la formación de grupos de trabajo automáticos en un curso de introducción a la programación (CS1)

https://doi.org/10.19053/01211129.v31.n61.2022.14368

Publicado 2021-09-05

Jose-Miguel Llanos-Mosquera
Universidad del Valle

Carlos-Giovanny Hidalgo-Suarez
Universidad del Valle

Víctor-Andrés Bucheli-Guerrero
Universidad del Valle

Resumen

Los cursos de Introducción a la programación presentan bajas calificaciones de los estudiantes, esto se refleja en las altas tasas de mortalidad y deserción académica. En este sentido, buscando formas de mejorar y apoyar el rendimiento académico de los estudiantes del curso CS1 - Fundamentos de Programación Orientada a Objetos (FPOO), este artículo propone una estrategia basada en la metodología Computer-Supported Collaborative Learning (CSCL) apoyada por un algoritmo para la formación de grupos de trabajo automáticos, que busca motivar a los estudiantes y permite adquirir conocimientos de forma homogénea en el desarrollo de actividades de programación. Bajo el marco del diseño cuasi experimental, se implementó la estrategia para diferentes actividades evaluativas en el curso FPOO, que permitió responder cuestiones relacionadas con la mejora de la calificación final de un estudiante utilizando la formación de grupos de trabajo automáticos en comparación a la formación de grupos de trabajo tradicional, y los resultados que se generan en las calificaciones cuando se desarrollan actividades sin formación de grupos. Los experimentos de este trabajo demuestran que el uso de la estrategia de colaboración mejora las calificaciones de los estudiantes en 22% en laboratorios y 20% en el proyecto final. Además, permite intercambiar conocimientos para resolver una tarea de programación. Finalmente, en este trabajo se concluye que el desarrollo de estrategias que integran la colaboración impacta positivamente en el proceso de aprendizaje de programación, mejorando significativamente las calificaciones del estudiante y las habilidades interpersonales que incentivan a mejorar el aprendizaje en los cursos de programación.

Palabras clave

Educación tecnológica, evaluación automática de código fuente, programación de computadoras, aprendizaje colaborativo, formación automática de grupos

XML (English) PDF (English)

Biografía del autor/a

Jose-Miguel Llanos-Mosquera

Roles: Investigación, Resultados, Escitura - revisión y edición.

Carlos-Giovanny Hidalgo-Suarez

Roles: Investigación, Metodología, Escritura - Revisión y edición.

Víctor-Andrés Bucheli-Guerrero

Roles: Investigación, Validación.

Citas

  1. M. Sahami et al., Computer Science Curricula 2013, vol. 1. IEEE Computer Society, 2013. DOI: https://doi.org/10.1145/2445196.2445206
  2. A. Ali and D. Smith, “Teaching an Introductory Programming Language in a General Education Course,” Journal of Information Technology Education: Innovations in Practice, vol. 13, pp. 57–67, 2014. DOI: https://doi.org/10.28945/1992
  3. G. Alexandron, M. Armoni, M. Gordon, and D. Harel, “The effect of previous programming experience on the learning of scenario-based programming,” in Proceedings of the 12th Koli Calling International Conference on Computing Education Research, New York, NY, USA, Nov. 2012, pp. 151–159. doi: 10.1145/2401796.2401821. DOI: https://doi.org/10.1145/2401796.2401821
  4. M. McCracken et al., “A Multi-national, Multi-institutional Study of Assessment of Programming Skills of First-year CS Students,” in Working Group Reports from ITiCSE on Innovation and Technology in Computer Science Education, New York, NY, USA, 2001, pp. 125–180. doi: 10.1145/572133.572137. DOI: https://doi.org/10.1145/572133.572137
  5. S. Billis and O. Cubenas, “Assessing Collaborative Learning with E-Tools in Engineering and Computer Science Programs,” Advances in Intelligent Systems and Computing, vol. 1070, pp. 848–854, 2020, doi: 10.1007/978-3-030-32523-7_62. DOI: https://doi.org/10.1007/978-3-030-32523-7_62
  6. S. I. Malik, “Improvements in Introductory Programming Course: Action Research Insights and Outcomes,” Systemic Practice and Action Research, vol. 31, no. 6, pp. 637–656, 2018, doi: 10.1007/s11213-018-9446-y. DOI: https://doi.org/10.1007/s11213-018-9446-y
  7. L. Carvajal-Ortiz, B. Florian-Gaviria, and J. F. Díaz, “Modelos, métodos y prototipo de software para el apoyo del diseño, evaluación y análisis de aprendizajes en gestión curricular de la educación superior basada en competencias,” p. 10.
  8. Universidad del Valle, “Reforma Currícular - Facultad de Ingeniería / Universidad del Valle / Cali, Colombia,” Reforma curricular 2020. http://ingenieria.univalle.edu.co/reforma-curricular (accessed Apr. 08, 2021).
  9. C. Watson and F. W. B. Li, “Failure rates in introductory programming revisited,” in Proceedings of the 2014 conference on Innovation & technology in computer science education, New York, NY, USA, Jun. 2014, pp. 39–44. doi: 10.1145/2591708.2591749.
  10. C. Watson and F. W. B. Li, “Failure rates in introductory programming revisited,” in Proceedings of the 2014 conference on Innovation & technology in computer science education - ITiCSE ’14, Uppsala, Sweden, 2014, pp. 39–44. doi: 10.1145/2591708.2591749. DOI: https://doi.org/10.1145/2591708.2591749
  11. L.-K. Soh, N. Khandaker, X. Liu, and H. Jiang, “A computer-supported cooperative learning system with multiagent intelligence,” in Proceedings of the fifth international joint conference on Autonomous agents and multiagent systems - AAMAS ’06, New York, New York, USA, 2006, p. 1556. doi: 10.1145/1160633.1160933. DOI: https://doi.org/10.1145/1160633.1160933
  12. M. L. Séin-Echaluce, Á. Fidalgo Blanco, F. J. García-Peñalvo, and M. Á. Conde, “A Knowledge Management System to Classify Social Educational Resources Within a Subject Using Teamwork Techniques”, doi: 10.1007/978-3-319-20609-7_48. DOI: https://doi.org/10.1007/978-3-319-20609-7_48
  13. C. Alvarado, C. B. Lee, and G. Gillespie, “New CS1 pedagogies and curriculum, the same success factors?,” in SIGCSE 2014 - Proceedings of the 45th ACM Technical Symposium on Computer Science Education, New York, New York, USA, 2014, pp. 379–384. doi: 10.1145/2538862.2538897. DOI: https://doi.org/10.1145/2538862.2538897
  14. A. R. Denham, R. Mayben, and T. Boman, “Integrating Game-Based Learning Initiative: Increasing the Usage of Game-Based Learning Within K-12 Classrooms Through Professional Learning Groups,” TechTrends, vol. 60, no. 1, pp. 70–76, Jan. 2016, doi: 10.1007/s11528-015-0019-y. DOI: https://doi.org/10.1007/s11528-015-0019-y
  15. G. Lee, W. W. Fong, and J. Gordon, “Blended learning: The view is different from student, teacher, or institution perspective,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 8038 LNCS, pp. 356–363, 2013, doi: 10.1007/978-3-642-39750-9_33. DOI: https://doi.org/10.1007/978-3-642-39750-9_33
  16. A. J. Lakanen and V. Isomöttönen, “High school students’ perspective to university CS1,” in Annual Conference on Innovation and Technology in Computer Science Education, ITiCSE, New York, New York, USA, 2013, pp. 261–266. doi: 10.1145/2462476.2465585. DOI: https://doi.org/10.1145/2462476.2465585
  17. Y.-H. Chen, W.-C. Lee, C.-H. Tseng, L. Y. Deng, C.-Y. Chang, and L.-H. Lee, “Cognitive learning performance assessment and analysis with CSCL applied on the NetGuru platform and CSPL applied on the TAoD platform for the network experiment class,” Journal of Supercomputing, vol. 76, no. 1, pp. 16–46, 2020, doi: 10.1007/s11227-019-02836-3. DOI: https://doi.org/10.1007/s11227-019-02836-3
  18. Z. Mehennaoui, Y. Lafifi, H. Seridi, and A. Boudria, “A new approach for grouping learners in CSCL systems,” in International Conference on Multimedia Computing and Systems -Proceedings, 2014, pp. 628–632. doi: 10.1109/ICMCS.2014.6911143. DOI: https://doi.org/10.1109/ICMCS.2014.6911143
  19. A. Böhne, N. Faltin, and B. Wagner, “Distributed group work in a remote programming laboratory - A comparative study,” International Journal of Engineering Education, vol. 23, no. 1, pp. 162–170, 2007.
  20. A. Kardan and H. Sadeghi, “Modeling the learner group formation problem in computer-supported collaborative learning using mathematical programming,” 2015. doi: 10.1109/ICELET.2014.7040616. DOI: https://doi.org/10.1109/ICELET.2014.7040616
  21. F. D. Pereira et al., “Early Dropout Prediction for Programming Courses Supported by Online Judges,” in Artificial Intelligence in Education, vol. 11626, S. Isotani, E. Millán, A. Ogan, P. Hastings, B. McLaren, and R. Luckin, Eds. Cham: Springer International Publishing, 2019, pp. 67–72. doi: 10.1007/978-3-030-23207-8_13. DOI: https://doi.org/10.1007/978-3-030-23207-8_13
  22. G. STAHL, T. KOSCHMANN, and D. SUTHERS, Computer-supported collaborative learning: An historical perspective. na, 2006. [Online]. Available: https://www.semanticscholar.org/paper/Computer-supported-collaborative-learning-%3A-An-Stahl-Koschmann/00c0825352eded96cdc99fefcbfb52be4c6a796e
  23. M. N. Demaidi, M. Qamhieh, and A. Afeefi, “Applying Blended Learning in Programming Courses,” IEEE Access, vol. 7, pp. 156824–156833, 2019, doi: 10.1109/ACCESS.2019.2949927. DOI: https://doi.org/10.1109/ACCESS.2019.2949927
  24. G. Ayala, M. Ortíz, and M. Osorio, “Agent modelling for CSCL environments using answer sets programming,” in Proceedings of the Mexican International Conference on Computer Science, 2005, vol. 2005, pp. 214–221. doi: 10.1109/ENC.2005.9. DOI: https://doi.org/10.1109/ENC.2005.9
  25. J. Lämsä, P. Uribe, A. Jiménez, D. Caballero, R. Hämäläinen, and R. Araya, “Deep Networks for Collaboration Analytics: Promoting Automatic Analysis of Face-to-Face Interaction in the Context of Inquiry-Based Learning,” Journal of Learning Analytics, vol. 8, no. 1, Art. no. 1, Apr. 2021, doi: 10.18608/jla.2021.7118. DOI: https://doi.org/10.18608/jla.2021.7118
  26. J. Chen, M. Wang, P. A. Kirschner, and C.-C. Tsai, “The Role of Collaboration, Computer Use, Learning Environments, and Supporting Strategies in CSCL: A Meta-Analysis,” Review of Educational Research, vol. 88, no. 6, pp. 799–843, Dec. 2018, doi: 10.3102/0034654318791584. DOI: https://doi.org/10.3102/0034654318791584
  27. M. Coto, S. Mora, and C. Collazos, “Evaluation of the collaboration process from an individual and collaborative perspective,” in ACM International Conference Proceeding Series, 2014, vol. 10-12-Sept, pp. 1–9. doi: 10.1145/2662253.2662342. DOI: https://doi.org/10.1145/2662253.2662342
  28. J. Bennedsen, “Failure Rates in Introductory Programming — 12 Years Later,” p. 6.
  29. F. D. Pereira, E. H. T. Oliveira, D. Fernandes, and A. Cristea, “Early Performance Prediction for CS1 Course Students using a Combination of Machine Learning and an Evolutionary Algorithm,” in 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT), Maceió, Brazil, Jul. 2019, pp. 183–184. doi: 10.1109/ICALT.2019.00066. DOI: https://doi.org/10.1109/ICALT.2019.00066
  30. F. D. Pereira, S. C. Fonseca, E. H. T. Oliveira, D. B. F. Oliveira, A. I. Cristea, and L. S. G. Carvalho, “Deep learning for early performance prediction of introductory programming students: a comparative and explanatory study,” RBIE, vol. 28, pp. 723–748, Oct. 2020, doi: 10.5753/rbie.2020.28.0.723. DOI: https://doi.org/10.5753/rbie.2020.28.0.723
  31. F. D. Pereira et al., “Explaining Individual and Collective Programming Students’ Behavior by Interpreting a Black-Box Predictive Model,” IEEE Access, vol. 9, pp. 117097–117119, 2021, doi: 10.1109/ACCESS.2021.3105956. DOI: https://doi.org/10.1109/ACCESS.2021.3105956
  32. “Novel Approach to Facilitating Tradeoff Multi-Objective Grouping Optimization | IEEE Journals & Magazine | IEEE Xplore.” https://ieeexplore.ieee.org/document/7229323 (accessed Apr. 27, 2022).

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 

También puede {advancedSearchLink} para este artículo.