دانلود رایگان مقاله توسعه یک طبقه بندی یادگیری ویژه علوم کامپیوتر

چکیده

           طبقه بندی بلوم از دامنه آگاهی و طبقه بندی SOLO در حال استفاده افزاینده در طراحی و ارزیابی آموزه هاست، اما در علوم کامپیوتر دارای نواقصی می باشند. این مقاله ادبیات رایج در طبقه بندی آموزشی و استفاده شان در آموزش علم کامپیوتر را مرور می کند، بعضی مسائلی که پیش می آید را مشخص میکند، طبقه بندی جدیدی را مشخص می کند و بحث می کند که چگونه این مقوله می تواند در آموزه های کاربردگرا مانند برنامه نویسی استفاده شود.

1. معرفی

1.1 انگیزه

         طبقه بندی های آموزشی وسیله سودمندی توسعه اهداف یادگیری و تشخیص پیشرفت دانشجو هستند. این مقوله همچنین در تحقیق آموزشی نیز می تواند گسترش یابد، برای مثال برای طبقه بندی آیتم های تستی و تخمین گستره یادگیری که اندازه گیری می کنند. طبقه بندی های آموزشی شناخته شده کلی هستند و بر فرض اینکه سلسله مراتب خروجی های یادگیری در همه موضوعات یکسان است، از تاریخ هنر تا جانورشناسی، تکیه می کند.به هرحال طبقه بندی ها سهل استفاده نیستند و محققین به سختی به توافقی برای طبقه بندی آیتم ها می رسند، که سود آنها را برای آموزگاران محدود می کند[27]. این مقاله کار یک گروه ITiCSE  که به بررسی این قرضیه پرداخته اند که سلسله مراتب خروجی های یادگیری در علم کامپیوتر به خوبی با طبقه بندی های کلی موجود انجام نشده است و اینکه  یادگیری علم کامپیوتر با توسعه یک طبقه بندی ویژه علمی کامپیوتر بهتر خواهد شد، را گزارش می دهد.

1.2 طبقه بندی یادگیری چیست؟

            طبقه بندی یک سیستم دسته بندی است که در بعضی موارد توصیه شده است. طبقه بندی لیناووس ارگانیسم های زندگی را برای سلسلسه مراتب نمودار درختی تنظیم کرده است. این موضوع وسیله ای را برای کمک به بیولوژیست ها فراهم کرد تا رابطه بین اعضای سیاره و جهان جانوران درک کنند و به طور دقیق درموردشان بحث نمایند[7]. طبقه بندی های موضوعات یادگیری به طور مشابه می توانند برای فراهم آوردن یک زبان مشترک بیان خروجی های یادگیری و سودمندی ارزیابی ها استفاده شوند. برخلاف طبقه بندی بیولوژیکیي، طبقه بندی های یادگیری معمولا به صورت نمودار درختی نیستند. با یک گستره بزرگتر یا کوچکتر آنان موضوعات یادگیری را به سه دامنه تقسیم می کنند، شناختی، انفعالی و روانی-حرکتی. بعضی مانند طبقه بندی بلوم با هرکدام از اینها همانند پیوستگی تک بعدی رفتار می کنند [7]، بقیه مانند طبقه بندی بلوم تجدیدنظر یافته، دامنه شناختی را با استفاده از یک ماتریس بیان می کنند[3]. در حالی که بقیه مانند طبقه بندی SOLO دسته ای ازاقلام را که یک مخلوط از تفاوت های کمی و کیفی بین عملکرد دانشجویان را شرح می دهد، استفاده می کنند [5] و البته طبقه بندی هایی نیز هست که انتظار می رود برای هر سه دامنه کاربردی باشند.

1.3 چه طبقه بندی هایی استفاده شود

           طبقه بندی های آموزشی طبقه هایی از ابعاد شناختی، انفعالی و دیگر ابعادی که یک شخص ممکن است بعنوان بخشی از فرایند یادگیری داشته باشد، تشریح و دسته بندی می نماید. بیان بیگز[6]، می توانیم بگوییم که آنها با " فهمیدن درباره فهمیدن" و "ارتباط درباره فهمیدن" کمک کننده هستند. بنابراین یادگیری طبقه بندی ها می تواند بعنوان یک زبان که در تنوع مفاهیم آموزشی استفاده شود دیده شود.

           یادگیری طبقه بندی ها برای تعریف برنامه آموزشی یک دوره می تواند استفاده شود، بنابراین فقط براساس عناوینی که پوشش داده می شود تشریح نمی شود. بلکه با ترم های سطح مطلوب یادگیری برای هر عنوان نیز تشریح می شود[48]. برنامه های محاسباتی مجاز ABET باید با ترم های قابل اندازه گیری، شامل خروجی های مورد انتظار فارغ التحصیلان، مشخص شوند[14]. با عمومیت بیشتر، استفاده خروجی های یادگیری در کشورهای اروپایی با ناحیه آموزشی بلندتر تضمین شده است[1و 8و68] و بطور افزاینده در حال شیوع در ایالات متحده و سایر کشورهاست[15].

          طبقه بندی های یادگیری بطور گسترده برای تشریح طبقات یادگیری که یک آموزنده برای یک موضوع معین دارد استفاده می شود. برای مثال، یک دانشجو ممکن است قابلیت از بر خواندن یک الگوریتم را داشته باشد اما قابلیت اجرای آن را نداشته باشد. آموزگار ممکن است این هدف را داشته باشد که دانشجویانش موضوعی را در سطح مشخصی از یک طبقه بندی یاد بگیرند (برای مثال ممکن است از دانشجویان انتظار رود که توانایی درک موضوع بازگشتی بدون اجرای ضروری آن را داشته باشند). اگر این موضوع محقق شود، آموزکار میتواند براساس انتخاب مناسب سوالات و مثال ها دانشجویان را در سطح انتخابی ارزیابی نماید[39]. این خط مشی با تربیت معلم تشویق می شود[26]. علاو بر این، پاسخ های دانش جویان می تواند براساس تعلق به یک سطح یا دیگری آنالیز شود؛ چنین پاسخ هایی می تواند به آموزگار کمک کند که در تکنیک های آموزشش تجدید نظر نماید تا بهتر دانشجویان را برای انجام یک طبقه آموزشی معین راهنمایی کند.

            طبقه بندی های آموزشی در مفاهیم بسیار دیگری استفاده شده اند، برای مثال معرفی دانشجویان برای یادگیری طبقه بندی تا آگاهیشان را افزایش داده و سطح فهمیدن و تکنیک های مطالعه شان را بهبود بخشند.[16و71]. همچنین برای ساختاربندی تمرین هایی در دستورالعمل اساس کامپیوتری و آموزش کامپیوتری استفاده می شود.

1.4 ضعف طبقه بندی ها از نقطه نظر CS

          طبقه بندی های یادگیری، به ویژه طبقه بندی بلوم از دامنه شناختی، تاثیر قابل ملاحظه ای روی برنامه آموزشی و طراحی ارزیابی در پنجاه سال اخیر داشته اند. به هرحال، این بدین معنا نیست که استفاده شان بدون مشکل نیست. دسته بندی یک خروجی یادگیری ویژه یا آیتم امتحانی به زمینه اش بستگی دارد.  یک تکلیف که آنالیز و ترکیب مهارت یک مبتدی را چالش می کند، یک کاربرد ساده دانش برای یک دانش آموز پیشرفته تر می شود. بطور مشابه دانشجویی که یاد گرفته است چگونه مساله ای را که بسیار شبیه آیتم تستی است حل نماید بسیار مهارت های کمتری را نسبت به کسی که آن را از قواعد اولیه حل نموده است، نمایان می کند. این یک مساله کلی است اما سختی های ویژه علم کامپیوتر خود را نمایان میکند.

ABSTRACT

           Bloom’s taxonomy of the cognitive domain and the SOLO taxonomy are being increasingly widely used in the design and assessment of courses, but there are some drawbacks to their use in computer science. This paper reviews the literature on educational taxonomies and their use in computer science education, identifies some of the problems that arise, proposes a new taxonomy and discusses how this can be used in application-oriented courses such as programming.

1. INTRODUCTION

1.1 Motivation

           Educational taxonomies are a useful tool in developing learning objectives and assessing student attainment. They can also be deployed in educational research, for example to classify test items and investigate the range of learning these are measuring. The well-known educational taxonomies are generic and rely on the assumption that the hierarchy of learning outcomes is the same in all subjects, from art history to zoology. However, taxonomies are not simple to use and researchers find it hard to reach agreement on the classification of items, which limits their benefits to instructors [27]. This paper reports the work of an ITiCSE Working Group investigating the hypothesis that the hierarchy of learning outcomes in computer science is not well captured by existing generic taxonomies and that computer science education would be better served by the development of a computer science-specific taxonomy.

1.2 What is an educational taxonomy?

           A taxonomy is a classification system that is ordered in some way. Linnaeus’s taxonomy arranged living organisms into a treestructured hierarchy. This gave biologists a tool to help them understand the relationship between members of the plant and animal kingdoms and to communicate accurately about them [7]. Taxonomies of educational objectives can similarly be used to provide a shared language for describing learning outcomes and performance in assessments. Unlike the biological taxonomy, educational taxonomies are not usually tree-structured. To a greater or lesser extent they divide educational objectives into three domains, cognitive, affective and psychomotor. Some, such as Bloom’s taxonomy, treat each of these as a one-dimensional continuum [7], others, like the revised Bloom’s taxonomy, describe the cognitive domain using a matrix [3]. Yet others, like the SOLO taxonomy, use a set of categories that describe a mixture of quantitative and qualitative differences between the performance of students [5] and there are also taxonomies that claim they can be applied equally to all three domains.

1.3 What taxonomies are used for

          Learning taxonomies describe and categorize the stages in cognitive, affective and other dimensions that an individual may be at as part of a learning process. Paraphrasing Biggs [6], we can say that they help with “understanding about understanding” and “communicating about understanding”. Thus learning taxonomies can be seen as a language which can be used in a variety of educational contexts.

           Learning taxonomies can be used to define the curriculum objectives of a course, so that it is not only described on the basis of the topics to be covered, but also in terms of the desired level of understanding for each topic [48]. Computing programs accredited by ABET have to be specified in terms of measurable objectives, including expected outcomes for graduates [14]. More generally, the use of learning outcomes is mandated in the countries of the European Higher Education Area [1,8,68] and is increasingly prevalent in the US and elsewhere [15].

          Learning taxonomies are widely used to describe the learning stages at which a learner is operating for a certain topic. For example, a student may be capable of reciting by heart what recursion is but not capable of implementing a recursive algorithm. An instructor may aim to have his or her students learn a topic at a certain level in a taxonomy (e.g. students may be expected to be able to comprehend the concept of recursion without necessarily applying it). Once this has been done, the instructor can assess students at the chosen level through a suitable choice of questions or examples [39]. This approach is encouraged by teacher-trainers [26]. Furthermore, the students’ answers can be analyzed as belonging to one level or another; such answers can help the instructor revise his or her teaching techniques to better guide students to accomplish a certain learning stage.

         Learning taxonomies have been used in many other contexts, such as introducing students to a learning taxonomy to raise their awareness and improve their level of understanding and their studying techniques [16,71]. They are also used to structure exercises in computer-based and computer-assisted instruction [21,36].

1.4 Weaknesses of taxonomies from a CS standpoint

        Learning taxonomies, particularly Bloom’s taxonomy of the cognitive domain, have had a considerable impact on curriculum and assessment design in the last fifty years. However, this does not mean that their use is unproblematic. The classification of a specific learning outcome or test item depends on its context. A task that challenges the analysis and synthesis skills of a beginner becomes routine application of knowledge for a more advanced learner. Similarly, a student who has been taught how to solve a problem that is extremely similar to the test item will demonstrate skills lower in the taxonomic order than one who is solving it from first principles. This is a generic problem but computer science-specific difficulties also manifest themselves.

چکیده
1. معرفی
1.1 انگیزه
1.2 طبقه بندی یادگیری چیست؟
1.3 چه طبقه بندی هایی استفاده شود
1.4 ضعف طبقه بندی ها از نقطه نظر CS
1.5 روش شناسی
2. مرور طبقه بندی های موجود
2.1 دامنه شناختی
2.1.1 تجدیدنظر بلوم
2. 1. 2 نیمیرکو، تولینگرووا، بسپالکو
2.1.3 تفکر بحرانی
2.2 طبقه بندی دامنه یکپارچه
2.3 ساختار خروجی مشاهده شده یادگیری (SOLO)
2.4 طراحی براساس دستورالعمل
2.5 بحث در مورد طبقه بندی های موجود
3. استفاده طبقه بندی ها ادبیات آموزشی علم کامپیوتر
3.1 ادبیات موجود در طبقه بندی ها برای علم کامپیوتر
3.1.1 طراحی دوره ها
3.1.2 طراحی مواد تدریس و ارزیابی
3.1.3 آنالیز پاسخ های دانش آموزان به تمرینات، و سنجش پیشرفت او
4. نمونه هایی از استفاده طبقه بندی ها در برخی دوره های علم کامپیوتر متعارف
4.1 مثال برنامه نویسی مقدماتی
4.1.1 تشریح دوره
4.1.2 خروجی های یادگیری
3. 1. 4 ارزیابی با استفاده از دامنه شناختی بلوم
1 . 3. 1. 4  مثال 1
2. 3. 1 . 4  مثال 2
3. 3. 1 .4  مثال 3
4 . 1 . 4 ارزیابی با استفاده از SOLO
1. 4 . 1 . 4  مثال 4
2 . 4 . 1 . 4  مثال 5
3. 4 . 1 . 4  مثال 6
5. 1 . 4 ارزیابی در دامنه موثر
2. 4 مثال های پایگاه داده
1. 2 . 4 تشریح دوره
2. 2 . 4 خروجی های یادگیری
3. 2. 4 ارزیابی با استفاده از طبقه بندی بلوم در دامنه شناختی
1 . 3 . 2 . 4  مثال 7
2. 3 . 2 . 4 مثال 8
3. 3 . 2 . 4 مثال 9
4. 3 . 2 . 4 مثال 10
5. 3 . 2 . 4 مثال 11
4. 2 .4  ارزیابی با استفاده از SOLO
3. 4 محاسبه مثال های حرف ای
1. 3 . 4  شرح دوره
2. 3 . 4 خروجی های یادگیری
3 . 3 . 4  ارزیابی با استفاده از طبقه بندی بلوم در دامنه شناختی
1. 3 . 3 . 4 مثال 12  مروری بر یک مقاله تکنیکی
2. 3 . 3 . 4  مثال 13 مناظرات گروهی
3. 3. 3. 4 مثال 15
4. 3 . 4 ارزیابی با استفاده از طبقه بندی SOLO
5. 3. 4 ارزیابی در دامنه موثر
5. چه چیزی درمورد علم کامپیوتر ویژه است
6. یک طبقه بندی جدید برای علم کامپیوتر
1. 6  انطباق دوبعدی طبقه بندی بلوم – طبقه بندی ماتریس
6.1.1 کاربرد طبقه بندی – پیمودن ماتریس
6.2 بکارگیری تکراری طبقه بندی ها – یک معماری حلزونی برای بکارگیری طبقه بندی یادگیری
7. نتایج و پیشنهادات
منابع

ABSTRACT
1. INTRODUCTION
1.1 Motivation
1.2 What is an educational taxonomy?
1.3 What taxonomies are used for
1.4 Weaknesses of taxonomies from a CS standpoint
1.5 Methodology
2. REVIEW OF EXISTING TAXONOMIES
2.1 Cognitive domain
2.1.1 Bloom and revision
2.1.2 Niemierko , Tollingerova, Bespalko
2.1.3 Critical thinking
2.2 Unified domain taxonomy
2.3 Structure of the Observed Learning Outcome (SOLO)
2.4 Instructional Design
2.5 Discussion of existing taxonomies
3. THE USE OF TAXONOMIES IN COMPUTER SCIENCE EDUCATION LITERATURE
3.1 Existing Literature on Taxonomies for Computer Science
3.1.1 Design of Courses
3.1.2 Design of Teaching Materials and
3.1.3 Analysis of Student Responses to Exercises, and Measuring Student Progress
4. EXAMPLES OF THE USE TAXONOMIES IN SOME CANONICAL COMPUTER SCIENCE COURSES
4.1 Introductory Programming Example
4.1.1 Description of course
4.1.2 Learning Outcomes
4.1.3 Assessment using Bloom in the cognitive domain
4.1.3.1 Example 1
4.1.3.2 Example 2
4.1.3.3 Example 3
4.1.4 Assessment using SOLO
4.1.4.1 Example 4
4.1.4.2 Example5
4.1.4.3 Example 6
4.1.5 Assessment in the Affective Domain
4.2 Databases Example
4.2.1 Description of course
4.2.2 Learning Outcomes
4.2.3 Assessment using Bloom’s taxonomy in the cognitive domain
4.2.3.1 Example 7
4.2.3.2 Example 8
4.2.3.3 Example 9
4.2.3.4 Example 10
4.2.3.5 Example 11
4.2.4 Assessment using SOLO
4.3 Computing Professionalism Examples
4.3.1 Description of course
4.3.2 Learning Outcomes
4.3.3 Assessment using Bloom’s taxonomy in the cognitive domain
4.3.3.1 Example 12 A review of a technical article
4.3.3.2 Example 13 Group Debates
4.3.3.3 Example 15
4.3.4 Assessment using the SOLO taxonomy
4.3.5 Assessment in the Affective Domain
5. WHAT IS SPECIFIC ABOUT COMPUTER SCIENCE
6. A NEW TAXONOMY FOR COMPUTER SCIENCE
6.1 Two Dimensional Adaptation of Bloom’s Taxonomy – The Matrix Taxonomy
6.1.1 Applying the taxonomy – traversing the matrix
6.2 Applying Taxonomies Iteratively - a Spiral Architecture for Applying a Learning Taxonomy
7. CONCLUSIONS AND RECOMMENDATIONS
REFERENCES