ÁP DỤNG HỆ THỐNG CHẤM ĐIỂM TỰ ĐỘNG CHO VIỆC GIẢNG DẠY NGÔN NGỮ LẬP TRÌNH TRONG CÁC TRƯỜNG ĐẠI HỌC

Lê Hoàn; Nguyễn Quỳnh Anh; Phạm Nhất Linh

doi:10.34238/tnu-jst.9328

ÁP DỤNG HỆ THỐNG CHẤM ĐIỂM TỰ ĐỘNG CHO VIỆC GIẢNG DẠY NGÔN NGỮ LẬP TRÌNH TRONG CÁC TRƯỜNG ĐẠI HỌC

Thông tin bài báo

Ngày nhận bài: 01/12/23 Ngày hoàn thiện: 27/12/23 Ngày đăng: 27/12/23

Các tác giả

1. Lê Hoàn , Trường Đại học Điện Lực
2. Nguyễn Quỳnh Anh, Trường Đại học Điện Lực
3. Phạm Nhất Linh, Trường Đại học Điện Lực

Tóm tắt

Sự phát triển nhanh chóng của các nền tảng giáo dục trực tuyến đã làm nổi bật nhu cầu về hệ thống chấm điểm tự động hiệu quả, đặc biệt là cho các khóa học lập trình tại các trường đại học. Bài báo này giới thiệu Hệ thống chấm điểm tự động được gọi là AutoChecking, được thiết kế riêng cho việc đánh giá các bài nộp mã chương trình bằng nhiều ngôn ngữ lập trình ở cấp đại học. AutoChecking kết hợp phân tích mã code tĩnh và thực thi động để đảm bảo việc đánh giá kỹ lưỡng và công bằng các bài tập lập trình của sinh viên. Hệ thống bao gồm một môi trường sandbox an toàn để chạy mã của sinh viên chống lại các trường hợp kiểm thử được định sẵn, đánh giá không chỉ độ chính xác mà còn hiệu suất và phong cách lập trình. Hệ thống có khả năng thích ứng với cơ chế tính điểm linh hoạt để đáp ứng nhu cầu của các khóa học và giảng viên khác nhau. AutoChecking tích hợp với các Hệ thống học tập trực tuyến hiện có để đơn giản hóa quy trình nộp bài, chấm điểm và phản hồi, giúp giảng viên dễ dàng quản lý bài tập và theo dõi tiến độ của sinh viên thông qua phân tích chi tiết. Chúng tôi nghiên cứu và triển khai AutoChecking qua một học kỳ tại ba trường đại học, kết quả cho thấy hệ thống này không chỉ tiết kiệm thời gian cho giáo viên mà còn cung cấp phản hồi nhất quán cho sinh viên, nâng cao trải nghiệm học tập và thúc đẩy tính chính trực học thuật bằng cách phát hiện sự tương đồng trong các bài nộp mã chương trình.

Từ khóa

AutoChecking; Hệ thống học tập trực tuyến; Hệ thống chấm điểm tự động; Công cụ đánh giá tự động; Môi trường Sandbox

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] J. C. Paiva, J. P. Leal, and Á. Figueira, “Automated Assessment in Computer Science Education: A State-of-the-Art Review,” ACM Trans. Comput. Educ., vol. 22, no. 3, pp. 34:1-34:40, Jun. 2022, doi: 10.1145/3513140.

[2] J. Schneider, R. Richner, and M. Riser, “Towards Trustworthy AutoGrading of Short, Multi-lingual, Multi-type Answers,” Int. J. Artif. Intell. Educ., vol. 33, no. 1, pp. 88–118, Mar. 2023, doi: 10.1007/s40593-022-00289-z.

[3] Z. Cakmak and I. Akgün, “A Theoretical Perspective on the Case Study Method,” J. Educ. Learn., vol. 7, p. 96, Oct. 2017, doi: 10.5539/jel.v7n1p96.

[4] V. Ljubovic and E. Pajic, “Plagiarism Detection in Computer Programming Using Feature Extraction From Ultra-Fine-Grained Repositories,” IEEE Access, vol. 8, pp. 96505–96514, 2020, doi: 10.1109/ACCESS.2020.2996146.

[5] M. Messer, N. C. C. Brown, M. Kölling, and M. Shi, “Machine Learning-Based Automated Grading and Feedback Tools for Programming: A Meta-Analysis,” in Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education V. 1, in ITiCSE 2023. New York, NY, USA: Association for Computing Machinery, Jun. 2023, pp. 491–497, doi: 10.1145/3587102.3588822.

[6] N. G. Fonseca, L. Macedo, M. J. Marcelino, and A. J. Mendes, “Augmenting the teacher’s perspective on programming student’s performance via permanent monitoring,” in 2018 IEEE Frontiers in Education Conference (FIE), Oct. 2018, pp. 1–9, doi: 10.1109/FIE.2018.8658924.

[7] S. Nayak, R. Agarwal, and S. K. Khatri, “Automated Assessment Tools for grading of programming Assignments: A review,” in 2022 International Conference on Computer Communication and Informatics (ICCCI), Jan. 2022, pp. 1–4, doi: 10.1109/ICCCI54379.2022.9740769.

[8] Á. Figueira, J. P. Leal, and J. C. Paiva, “Automated Assessment in Computer Science Education: A State-of-the-Art Review,” 2022. [Online]. Available: https://repositorio.inesctec.pt/handle/ 123456789/14301. [Accessed Nov. 29, 2023].

[9] S. Marwan, G. Gao, S. Fisk, T. W. Price, and T. Barnes, “Adaptive Immediate Feedback Can Improve Novice Programming Engagement and Intention to Persist in Computer Science,” in Proceedings of the 2020 ACM Conference on International Computing Education Research, New York, NY, USA: Association for Computing Machinery, Aug. 2020, pp. 194–203, doi: 10.1145/3372782.3406264.

[10] F. M. Van der Kleij, R. C. W. Feskens, and T. J. H. M. Eggen, “Effects of Feedback in a Computer-Based Learning Environment on Students’ Learning Outcomes: A Meta-Analysis,” Rev. Educ. Res., vol. 85, no. 4, pp. 475–511, Dec. 2015, doi: 10.3102/0034654314564881.

[11] L. Vu, “A Case Study of Peer Assessment in a Composition MOOC: Students’ Perceptions and Peer-Grading Scores vs. Instructor-Grading Scores,” in Learning and Performance Assessment: Concepts, Methodologies, Tools, and Applications, IGI Global, 2020, pp. 918–956, doi: 10.4018/978-1-7998-0420-8.ch043.

[12] B. M. Panjaitan, S. A. Rukmono, and R. S. Perdana, “Integration Model for Learning Management Systems, Source Control Management, and Autograders using Service-Oriented Architecture Principle,” in 2021 International Conference on Data and Software Engineering (ICoDSE), Nov. 2021, pp. 1–6, doi: 10.1109/ICoDSE53690.2021.9648450.

[13] “Home | Moodle.org.” [Online]. Available: https://moodle.org/ [Accessed Nov. 28, 2023].

[14] “Never Stop Learning - IT for all.” [Online]. Available: https://courses.it4all.vn/ [Accessed Dec. 04, 2023].

DOI: https://doi.org/10.34238/tnu-jst.9328

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ