The number of students taking computer science (CS) courses is rapidly increasing as the demand for software engineers in the industry has exploded in recent years. However, for many students without much experience in programming, these exercises pose difficult challenges that may even prohibit the students from further studying CS even if they are intrigued by the theory and applications of CS. Such challenges can be overcome with dedicated teaching and mentoring by lecturers and, most importantly, TAs who give hands-up programming help. In many of those cases, the teaching staff would benefit from understanding the learning progress of each student, such that lecturers can design better lectures and exercises, and TAs can give individualized help to students who are having difficulties with the programming exercises. In this thesis, I first present a computer science education platform designed to lecture and collect the interaction data at the same time. From the collected data, I have identified the effect of interactive assistance and the six steps of the learning process in CS education. For each programming exercise, I map the students' actions to each of the steps in the CS-specific educational taxonomy, such that they can be analyzed to infer the students' learning progress in more detail than just completion of the exercise. Additionally, the analysis of Help Center posts, which is a set of conversational threads of asking a programming-related question, reveals that the question quality and topics can be used as a strong feature to predict the future academic performance of a student. To analyze the help center conversational data, I develop a hierarchical topic model that jointly discovers aspects and their related sentiments and applied the proposed model to the help center post conversation. Finally, I conduct case studies using the proposed model to show that students' question-asking behavior can predict their academic performance, and TA's assistance should be concentrated at the earliest stage of the course. I also report the correlation between sentiments in the student's question and the rate of problem-solving.
최근 몇 년간 컴퓨터 공학 분야의 소프트웨어 엔지니어에 대한 수요가 폭발적으로 증가함에 따라 컴퓨터 공학 강좌를 듣는 학생들의 수가 빠르게 증가하고 있다. 그러나 프로그래밍에 대한 경험이 많지 않은 많은 학생들에게, 이러한 연습은 CS의 이론과 응용에 흥미를 느끼더라도 학생들이 CS를 더 이상 공부하지 못하게 할 수 있는 어려운 과제를 제기한다. 그러한 도전은 강사의 멘토링, 그리고 TA의 도움으로 극복될 수 있다. 강사진은 각 학생의 학습 진척도를 이해함으로서 더 나은 강의와 문제를 설계할 수 있고, TA는 프로그래밍 연습에 어려움을 겪고 있는 학생들에게 개별화된 도움을 줄 수 있다.
이 논문에서는 먼저 강의와 상호작용 데이터를 동시에 수집하기 위한 컴퓨터 과학 교육 플랫폼을 제시한다. 수집된 데이터를 통해 전산학 교육에서 대화형 지원의 효과와 학습 프로세스의 6단계를 파악한다. 각 프로그래밍 과제에 대해, 본 논문에서는 학생들의 행동을 전산학 교육 분류의 각 단계에 매핑하여, 상세하게 학생들의 학습 진보를 추론할 수 있도록 분석한다. 또한, 프로그래밍 관련 질문을 하는 대화 내용을 분석한 결과, 질문의 질과 주제가 학생의 미래 학업 성과를 예측하는 데 사용될 수 있다는 것을 밝혔다. 대화 데이터를 분석하기 위해, 본 논문에서는 측면과 그 관련 정서를 공동으로 발견하는 계층적 토픽 모델을 제안한다. 마지막으로, 학생들의 질문하는 행동이 학업 성과를 예측할 수 있고, TA의 도움이 과정의 초기 단계에 집중되어야 한다는 것을 보여주기 위해 제안된 모델을 사용하여 사례 연구를 실시한다. 또한 학생의 질문에 대한 감정과 문제 해결 속도 사이의 상관관계를 보고한다.
