开发一个算法学习高中介绍计算机科学的工具

文摘

介绍了开发一个算法的初始阶段信息系统课程的学习工具为学生在东京科技高中在日本科学技术。工具应用算法可视化的概念(AV)技术和学习作为一个援助等基本算法搜索和排序。两种AV在工具,包括一个与多个输入选项和其他控制和减少。先前提出的AV评价属性和类别的算法学习目标(卡洛)被认为是在设计工具的评估问卷。笔试根据卡洛也设计。后续测试结果表明适度改善学生们的表现。测试结果还表明,学生学习目标能力匹配的算法。使用AV的学生有更多的选择在后续测试中获得平均得分略高与那些使用AV有限的控制。的整体评估表明积极的评价工具,意味着学生的首选AV特征。评估问卷的因子分析后,提取三个因素对应提出AV评价属性。 These results may be used in improving the learning tool and the evaluation questionnaire.

1。介绍

与计算机科学(CS)成为一个更常规的部分k - 12课程需要解决的学习表现的学生增加了。还有一个需要适当的工具,帮助新手程序员之间的学习。关于这些,学习基本的搜索和排序算法的工具创建的学生信息系统课程的东京科技高中的科学和技术。本跟踪进行专业课程的学生,他们准备电脑和工程设计相关的大学学位。本研究的初始阶段的目标参与者属于信息系统类2014。根据他们的老师,有些学生在说类不按预期执行,较低的动机学习计算机科学。因为这些学生进入高中最后一年被认为是必要的,他们掌握基本CS主题之前所需的高级课程。为了解决这个问题,一个特别的讲座对基本算法进行了教具类使用的学习工具。这是按照ACM计算课程的命题,一个良好的基础算法及其实现是必要的来获得编程技能和先进的计算机科学的概念(1]。

本文最初的在线算法的设计和开发阶段的学习工具和飞行员之间实现信息系统介绍了2014级的学生。两个阶段的整个研究也是本文中讨论。初级阶段的研究,目的是验证是否有改善学生的学习表现在使用算法学习工具,包含算法可视化技术和AV。另一个目标是比较AV的影响,提供更多的控制和交互提供了有限的菜单选项。因此,学习工具设计有两种类型的AV,一个与多个输入选项和其他控制和减少。

本文还解决了一个阶段的研究,包括设计、实现和分析两种评价工具。一个仪器是问卷评估算法的可用性和教学有效性学习工具,另一个是书面测试算法。仪器的设计是基于提出的AV评价属性和算法学习目标。学习工具的评估问卷被用来验证目的之间的特性差异两种类型的AV提供的学习工具。这也是检查,看看它如何能改进和修正。要验证修改的下一个阶段的学习工具的实现。书面测试算法,另一方面,主要是用来测量工具的影响学生的学习表现的参与者。

一个简短的背景算法可视化,学习工具的主要特点为本研究创建的,是下一节的主题。这项研究的研究框架和未来阶段部分中解释3。算法的开发工具中讨论部分4。进一步的细节在两个评估工具为本研究提供了部分设计的5。初步的数据分析的结果提出了实现算法的学习工具6和本研究的总结和结论阶段节中提到的7。

2。算法可视化

算法可视化或AV是一种技术,它使用图形和动画的算法。算法的仿真过程是通过图形图像,用户可以控制(2]。Saraiya的论文3,4)提供一个更全面的报告现有的和nonaccessible AVs。另一个很好的资源在AVs算法可视化(AlgoViz)[门户由维吉尼亚理工大学5]。

AV的主要目的是帮助提高计算机科学教育(6]。在1990年代中期研究AV从创新的特性,比如显示器,规范技术和交互技术的教育贡献(3,4]。最近的实验进行验证的有效性AV作为教学材料(7]。这些研究呈现不同的结果(“没有意义”积极的教育影响8]。研究表明积极影响AV系统关注的特性,这些特性使其有效9]。特性被认为是有利于学习叙事和文本内容,反馈学生的行动,额外的时间使用AV nonanimated任务,输入和控制菜单动画,变量状态改变,集成开发环境,窗口管理、和伪代码显示(3,10]。模拟的可视化,允许更多的控制和支持学生互动,主动学习是发现更多有用的和有效的3,4,11]。

学生“接触”被认为是一个因素,可以使AV教育有效11]。此外,学生用可视化的方式被认为是比可视化本身更重要(6]。“订婚”分类中定义的工作小组“改善算法可视化”的教育的影响,提出了作为一个框架,用于研究在确定的教学有效性AV (11]。这种分类法是由六个类别。(1)没有查看:指指令不使用任何形式的算法可视化。(2)查看:是指让用户看几个算法的可视化代表被研究。(3)回应:要求学员回答问题相关的可视化显示的系统。(4)改变:需要修改可视化等设置不同的输入值来测试各种情况。(5)构建:允许用户自己的可视化算法的。(6)展示:要求学生向受众提供可视化的反馈和讨论。

算法的学习工具在这项研究中,创建了“没有查看”,“查看”,和“改变”类别。学习工具提供了“不”查看通过课堂讲稿的算法。“观看”和“改变”是包含在菜单和控制选项设置和运行算法的可视化。

因为任何软件系统需要评估算法可视化工具还必须评估的教学有效性。李和Roßling研究提出三个属性的住客可以分析和评估。(1)符号系统:指文本、图形、声音和动画。(2)交互性:处理用户输入参与。(3)说教的结构:指pedagogical-based系统设计(12]。

根据上述研究,第三个属性需要更多的调查。在连接,他们提出了分类算法的学习目标或卡洛作为教学的框架设计和构建AV。他们建议使用卡洛在设定目标考试和作为学习者的自我评估工具(12]。对于这项研究,卡洛是笔试的内容作为依据的算法和一些项目的问卷可用性和教学评估的学习工具。

3所示。研究设计和方法

本研究需要一个算法学习工具的设计和开发面向高中介绍计算机科学类。的工具与最初的设计目标为学生创建一个教具东京理工大学信息系统课程的高中。最终的目标是开发一个工具,地址这些学生的学习动机和性能。因此,整个研究分为两个阶段。本文处理的阶段对学习性能的影响的工具。另一阶段,处理学习动机,只在本节简要提及了。下面的部分描述该框架的整个研究和实施计划提出了特定的阶段。

3.1。研究框架

如图1,本研究的主要成分是合并算法的算法学习工具可视化(AV)是其主要特征。学习工具解决四个基本算法、线性搜索,二分查找,选择排序,冒泡排序。之所以选择这些算法,因为它们包含在课程目标的学生。学校的课程中包含的其他算法可以添加在未来的扩展研究。

该框架在图1还描述了AVs的建议评价属性(12)被纳入评估的学习工具。特别是,卡洛的项目中使用工具的评估问卷。目标是确定哪些之一学习工具的特性的基础上,提出AV评价属性可以帮助提高学生的学习性能和动机。

除了评估问卷,旨在评估的可用性和教学有效性的学习工具,其他仪器也在这项研究中开发的。这些工具包括书面测试算法和两个问卷调查的动机。一个问卷(QMSLA:问卷调查的动机、自我效能感和学习态度)是基于动机和学习策略问卷(MLSQ) [13]和其他(QM:动机问卷)是基于弧模型(14]。这些调查问卷设计的目标是确定学习的动力组件基本计算机科学主题的具体算法。动机问卷的分析包含在其他阶段的研究中,这不是摘要。阶段的研究本文仅涉及分析问卷的可用性和教学有效性的学习工具和书面测试算法。这两种评价工具进一步讨论的部分5。

一般来说,主要研究本研究要回答的问题是“如何在线学习工具与算法可视化增强中学生的学习性能和动机在计算机科学入门课程吗?“为了解决具体问题相关的主要研究问题,以下问题进行分析制定。(1)在学生的学习表现有效果在使用该算法学习工具吗?(2)有区别的学习改进组之间有更多的输入选项和控制算法的可视化和用更少的选项分组和控制?(3)基于卡洛什么相应的任务使用学习工具后学生可以执行吗?(4)这在算法学习工具与算法可视化的特点有利于学习者吗?(5)尺度和物品用于问卷适合评估算法学习工具?

上述问题的分析被认为是阶段的研究。这些问题主要是处理算法学习工具的影响学生的性能和可用性和教学设计和评估的工具。其他问题进行分析解决在其他阶段的研究中,这主要是与学习工具的影响学生的动机。

3.2。实现和数据收集

学习工具的实现是计划在几个阶段进行。本文中给出的第一阶段试点实施信息系统课程的学生中进行类2014东京理工大学高。可以说,原计划的学习工具是这门课的教具是进入高中的最后一年。35(35)的学生说类参与了这项研究。这些学生已经学习了课上算法的实现之前六个月的研究。然而,他们的性能在中期检查算法并不满意的根据他们的教练。学习强化活动被认为是必要的因为这些学生仍然有一年计算机科学课程的跟踪和接受先进的计算机科学学科。因此,一个特殊的补救课程给他们在学期的结束。

2014年实现在类,算法学习工具是作为在课堂教学材料。讲座持续了四十分钟(40)。的学生遇到了另一个四十分钟(40)使用的工具,个人学习算法在这类分为两组根据他们在期中考试分数算法。十八岁学生分数的76%以上是分配给集团和十七岁的学生分数低于76%被放置在B组这个分组方案是基于类教师的要求,按照创建学习工具的初衷,也就是说,有较低的执行(B组)的学生受益更多控制的学习工具和菜单选项(AlgoVis1)。

前三周的讲座和个人学习使用算法学习工具,学生们不得不采取书面进行预测算法。他们还回答了presurvey动机问卷。学生参加了相同的笔试算法后,后续测试的讲座和自学。评估问卷可用性和教学有效性的学习工具和postsurvey动机也由学生回答。

下一阶段的实现算法的学习工具之间进行的下批学生信息系统课程的东京科技高中。对于这些后续的实现,将使用另一个分组计划为学生。计划有一个几乎等效分布减少资格的学生两个群体之间的差距。此外,评估问卷设计在这项研究中,也就是说,可用性和教学有效性的问卷调查和问卷调查的动机,要修正结果的基础上初步实现。修订后的问卷调查和验证进行的成功实现算法的学习工具。

4所示。开发算法的学习工具

算法学习工具是一个基于web的课程包括四个基本算法课程的课堂参与日本高中。这些算法是线性搜索,二分查找,冒泡排序、选择排序。工具的设计主要基于“接触”分类水平,“没有观看,”和“查看”11它提供了课堂讲稿和可视化。课堂讲稿包含描述,算法的伪代码,插图为初学者设计的学习者。笔记也提供英语和日语翻译。图2显示了屏幕截图的课堂讲稿线性搜索算法。

为了提供学生互动,该算法可视化部分包含特性,比如文本内容、反馈、输入和控制菜单动画,变量状态改变,和伪代码显示(3,10]。两种类型的可视化提供的学习工具:AlgoVis1,它允许多个输入选择和控制,和AlgoVis2有限的输入选项和动画的控制。他们是只为了这样的研究。

算法的主要特点学习工具列举如下。(一)输入和控制面板。这就是用户可以管理设置算法仿真应如何运行。图3显示了两种可视化类型的输入和控制面板。AlgoVis1允许用户选择算法,仿真的速度,和模拟的方式,循序渐进还是简单。仿真中使用的数据数组大小可能会有所不同,可以初始化。框和按钮输入值和运行和终止算法仿真。AlgoVis2用户只能设置算法来模拟和选择五套数据数组的值。这些特性是将分类后的学习者参与特别是“观看”和“改变”水平(11]。(b)算法仿真领域。这被认为是主要的部分算法的可视化数据数组用于搜索和排序的动画显示。AlgoVis1和AlgoVis2之间唯一的区别是数组的高度。AlgoVis1高度的数组元素对应于指定的数值而AlgoVis2所有数组元素相同的高度。(c)伪代码显示。右边的仿真领域,c代码显示正在运行的算法。代码跟踪期间完成仿真通过强调特定的行被执行。(d)变量显示消息框。这两个部分显示本地变量的变化和逐行正在运行的程序的描述,和其他适当的消息。AlgoVis1 AlgoVis2相比向用户提供更多的反馈。最后三个表示特性的两种类型的可视化AlgoVis1和AlgoVis2如图4和5,分别。

5。评估工具

研究阶段提出了本文涉及的分析评价问卷和书面测试算法。35-item评价问卷专门为本研究开发的用于评估算法的可用性和教学有效性的学习工具。五类问卷或尺度最初认为:(1)一般的易用性,(2)界面评估,(3)算法可视化的特点,用户的意见(4),(5)算法学习目标(见附录)。这些尺度和相应的项目仅为本研究的目的,设计基于卡洛的项目除外。八(8)项最后一类评价问卷的图案在七无学习目标通常用于计算机科学教育基于卡洛:(1)描述性的:识别和描述算法;(2)示范:展示算法与图像或对象;(3)解码:后和跟踪算法;(4)编码:复制学习算法;(5)评价:分析、比较和评价算法,解决相同的问题;(6)专用的:写一个完整的程序;唤起、扩展或修改学习算法来解决一个给定的问题;(7)有创作力的:发展自己的算法来解决陌生问题[12]。

上述学习目标以及所使用的标准试验学校被用作指南的格式和内容写测试算法。分算法测试由三部分组成:识别、代码完成、和算法仿真。概念和程序问题上的项目中包含的四个算法的设计测试。四个卡洛的学习目标是集成在每一个测试的一部分。第一部分的测试设计与项目“描述性”的类别后,要求学生识别算法。第二部分处理“编码”的类别,因为这部分需要填写丢失的线或编码的算法。在第三部分中,学生被要求手动演示算法步骤和算法提供的输出。这些任务对应于“示范”和“解码”类别。

评估问卷和书面测试算法被翻译成日语。此外,笔试在算法必须检查和批准的类教师,确保内容的范围内学生的学习目标。这是之前和之后进行的学习工具的实现进行预测和后续测试,分别。评估问卷,另一方面是作为postsurvey在学生参与者进行的。

6。结果和讨论

书面进行预测和后续测试算法和可用性上的问卷调查和教学的有效性学习工具作为评价工具实现。为了确定算法的影响学生学习工具的性能,进行了一系列统计分析使用收集的数据的表示工具。这项研究的结果发表在下面的部分。

6.1。对学习绩效的影响

本节回答以下问题:“是否有一个影响学生的学习表现在使用该算法学习工具吗?,” “Is there a difference in the learning improvement between the group that had more input options and control of the Algorithm Visualization and the group with fewer options and control?,” and “What corresponding tasks based on CALO can the students perform after using the learning tool?”

在图的图表6描述了测试分数。蓝线表示预备考试分数和红线指期末测验分数。比较的结果进行预测,后续测试算法,参与者的分数一般改进后使用学习工具,除了三个学生在后续测试中得分较低和四个保留他们预备考试分数。这个结果是相关的计划使用该工具类的教具的补救课程,强化学生的目标知识的基本算法。

平均成绩三部分的测试,如图7还表示,有一个适度的增加学生的表现为每个类型的考试部分:(1)识别、(2)代码完成,和(3)算法仿真。以前我是部分的分数进行预测和发布我的期末测验的分数在第一部分,前二世是第二部分的分数进行预测,等等。

为了进一步验证增加学生在使用学习工具的性能具有重要意义,成双样本t检验进行比较的分数35个学生在预备考试和期末测验。结果显示显著差异在预备考试分数的学生(和)和期末测验(和),。还有一个为每个组显著增加,A组和b组的不同性能的后续测试两组也检查使用独立样本t检验和一个值0.036。

当考虑两组在预备考试的平均成绩和期末测验,它可以注意到组是更高的执行组的学生而在B组表现较低的学生。表1预备考试的平均成绩和期末测验的两组。

期末测验的分数仍然表明,组的学生表现得比学生组。因此,有必要确定增加的差异在两组之间的测试性能。这样做是通过计算获得分数,也就是说,预备考试分数减去期末测验分数。表2显示的总获得分数和分解在每一个测试中的得分的部分。仔细观察值,B组学生有一个更高的平均获得分数的学生相比,集团a, B组获得的分数平均识别(第一部分)和代码自动完成(第二部分)部分也高于a组。

平均分数的差异的基础上进行预测和后续测试,使用该算法的学习工具,有更多的控制的可视化或B组略高增加了后续测试性能的平均得分比组(a组),使用的版本减少输入的选择和控制。找出降低执行的百分比的学生,获得分数提高了表现更高的学生相比,独立样本以及方差分析和运行为B组学生用积极获得分数()和一个值为0.028。这个结果意味着70%或超过三分之二的学生在B组获得的分数平均高于a组的学生在使用算法学习工具。

协方差分析或ANCOVA被用来支持声称为B组学生得到的分数越高增加的效应与多个输入选项使用可视化的算法和控制。平均获得得分作为因变量和期末测验分数作为协变量。这个选择是为了证明尽管期末测验的原始分数越高A组,B组的平均得分越高仍然是重要的。结果表明,有一个协变量的影响后续测试平均获得分数。它可以表示可视化提供了多个输入选项和控制产生影响在提高学生的分数在B组相比,A组学生的成绩与有限的菜单选项和可视化使用控制。

最后,考虑到后续测试性能的学生,他们已被证明是能够执行某些任务的基础上,卡洛类别后使用的学习工具。基于他们的期末测验成绩的学生的能力提高识别算法“描述性”,填写缺失行代码“示范”,并提供一个算法的输出模拟“解码”。

6.2。评估算法的学习工具

为了了解学生的意见关于算法的学习工具,评估问卷对该工具的可用性和教学有效性检查。”这个问题,在算法学习工具与算法可视化的特点有利于学习者吗?”回答通过检查学生评价问卷的反应。为主,相似之处最受欢迎的功能组之间的注意。至于接口,两组的学生认为是适合使用的图形和动画可视化算法(A组的平均= 3.89;B组平均= 4.00)。两组还一致认为,该算法动画有助于理解算法是如何工作的(意思是为A组= 4.17;B组平均= 4.47)。这可能是由于这一事实并没有太多不同之处之间的算法仿真领域提供的两种类型的AV学习工具。

两组不同的特性,他们喜欢,可能是由于不同的输入和控制菜单选项为每个AV类型。考虑到原始类别一般易用性类别,A组学生忙学习工具的清晰的指令(意味着= 3.89),而B组简单的导航最值得注意的方面(平均= 3.94)。关于AV特点,组一个学生认为学习工具的能力做一步一步跟踪算法(平均= 3.94)是最重要的,而B组学生认为能够选择算法动画的速度是最好的特性(平均= 4.47)。类别的学习目标,A组的学生认为他们更有信心提供算法仿真的输出使用一组数据(意味着= 3.44),而B组学生给重要性的能力描述的算法是如何工作的(平均= 3.35)。

两组的差异反应评估问卷测定用独立样本t检验。表3显示有显著差异在两组的答案特别是AV的特点相关的项目类型中使用的学习工具。这些结果表示预期的观察和评估两组的差异,进一步确认计划的设计变化两种类型的AV, AlgoVis1更多控制和AlgoVis2有限的控制。

调查问卷是专门为这个研究进一步分析是必要的,以测试它的信度和效度。建构效度也需要建立将为未来修订的问卷是必要的。这些问题对应于这个问题,“尺度和物品用于问卷适合评估算法学习工具?”

为了回答以上问题,克伦巴赫α是用来测试内部调查问卷的可靠性,以及随之而来的Alpha值时考虑的所有项目是0.867。相同的测试运行检查每个尺度的可靠性的评价问卷和结果如表所示4。算法学习目标有一个Alpha值大于0.9,表明“优秀”内部一致性;AV特点有0.8,被认为是“好”,其余有α值大于0.7描述“可接受”的内部一致性。考虑到“可接受”的类别内部一致性,修改评价问卷是一个重要的未来的计划。

最后,因子分析是为了建立构造进行有效性和提出一个增强的分类项目的评估问卷对算法的可用性和教学有效性学习工具。利用主成分分析提取方法和最大方差法旋转,三个因素对应三个属性提出了评估AVs (12提取。这三个因素可考虑修改问卷中提取。项因子载荷较低(小于0.6)可能被排除在外的修改版本的问卷。表5介绍了因子分析的结果和相应的因子载荷。

项目主要处理输入菜单加载第一个因素,这可能是评估因素称为接口。这对应于“交互性”属性。基于卡洛加载的所有项目的第二个因素对应的“说教的结构”属性。这个因素可能被称为算法学习目标的因素。这个结果证实了卡洛分类法是适当的使用纳入调查问卷的设计。问卷项目,处理一般特征算法的可视化和其执行加载到第三个因素也就是所谓的AV特征因素。这个因素对应的“符号系统“AV房地产评估。

7所示。摘要和结论

在线算法学习工具使用算法可视化(AV)技术设计并开发的计算机科学入门课程的学生在东京在日本科技科技高中。进行预测的结果和后续测试算法显示出增加的大部分参与者的分数。提供了多个输入选项的AV类型和控制发现有影响在提高分数低的学生表演。

的分类算法学习目标(卡洛)提出了一项研究,李和Roßling [12)被用作基础设计算法的测试、评估问卷,和可视化算法本身。在使用学习工具,学生们已被证明是能够执行某些任务的基础上,卡洛类别,即“描述性”,识别算法,完成“示范”,缺少行代码,和“解码”,提供一个算法的输出模拟。

考虑学生的回答调查问卷来评估算法的可用性和有效性教学的学习工具,有一个集体的满意度水平的学生使用的工具之一。学生的反应表明,图形和动画是恰当和有助于理解算法。然而,两组不同导致他们的反应的差异两个AV类型提供的工具。学生使用AV有限的选择和控制指令和代码跟踪感到满意。他们也更有信心在提供的输出算法仿真。另一方面,学生使用AV与更多的控制感到满意的导航菜单选项,特别是,设置仿真的速度。这些学生也更有信心在描述算法工作后如何使用该工具。

因子分析的结果在评价问卷调查表明,其设计对应卡洛和李和Roßling[提出的三个属性12分析和评估算法可视化工具。(1)接口获得的三个因素评估(“交互性”),(2)算法学习目标(“说教的结构”)和(3)AV特征(“符号系统”)。这三个因素可用于学习工具的评估问卷的修订和完善是一个未来的计划用于本研究。

考虑到本研究的初始阶段的结果,另一个实现算法的学习工具和相应的评价工具是必要的。下批次的信息系统课程将被要求参加。分组方案,它允许一个几乎等效分布的学生,必须做为了证明如果学习性能之间确实是有区别的AV类型,允许更多的用户输入的选择和控制,那些使用AV有限的功能。进一步验证和评价问卷的分析和算法测试也将完成确定的目标组件的可用性和教学具体学习的基本算法。

分析结果的其他阶段的研究,关注学生的学习动机,必须与结果摘要。这是与研究的终极目标,即提出一个模型,该模型与AV设计、性能和动机的新手入门学习者计算机科学。

附录

问卷在算法的可用性和教学有效性学习工具和算法可视化。(5)强烈同意(4)同意(3)不确定(2)不同意(1)强烈反对

	(5)	(4)	(3)	(2)	(1)
一般的易用性
(1)该算法学习工具和可视化算法通常易于使用。	□	□	□	□	□
(2)很容易导航算法学习工具和算法可视化。	□	□	□	□	□
(3)说明如何使用该算法学习工具和算法可视化是显而易见的。	□	□	□	□	□
(4)算法的颜色学习工具和算法可视化的眼睛。	□	□	□	□	□
界面的评估
(5)算法学习工具的菜单选项是足够了。	□	□	□	□	□
(6)上有太多的文本页面算法的学习工具。	□	□	□	□	□
(7)的布局算法学习工具和算法可视化是好的。	□	□	□	□	□
(8)算法学习工具和算法可视化提供足够的用户交互。	□	□	□	□	□
(9)使用的图形和动画是适当的可视化算法。	□	□	□	□	□
(10)很容易修改的输入值算法可视化。	□	□	□	□	□
(11)很容易使用控制按钮和选择列表算法可视化。	□	□	□	□	□
算法可视化的特点
(12)算法可视化允许用户选择算法研究。	□	□	□	□	□
(13)算法可视化允许用户选择算法动画的速度。	□	□	□	□	□
(14)算法可视化允许用户设置数组的大小。	□	□	□	□	□
(15)算法可视化允许一步一步跟踪的算法。	□	□	□	□	□
(16)算法可视化算法允许用户停止并重新启动动画。	□	□	□	□	□
(17)算法可视化问问题的下一步算法仿真。	□	□	□	□	□
(18)算法可视化允许用户指定数组的元素。	□	□	□	□	□
(19)算法可视化给予适当的反馈给用户。	□	□	□	□	□
用户的意见
(20)的菜单,允许选择算法和速度是有帮助的。	□	□	□	□	□
(21)设置数组的大小和价值观有助于更好的学习算法。	□	□	□	□	□
(22)的控制按钮来启动、停止,并重新启动算法可视化和一步一步运行算法是有用的学习算法更好。	□	□	□	□	□
(23)伪代码显示有助于更好地理解算法。	□	□	□	□	□
(24)算法动画有助于理解算法是如何工作的。	□	□	□	□	□
(25)显示的变量的变化值是有用的学习算法。	□	□	□	□	□
(26)最好是是否允许实际编码或编程算法学习工具。	□	□	□	□	□
(27)将是更好的,如果有一个“返回”按钮,当跟踪算法。	□	□	□	□	□
在使用该算法可视化(项目基于卡洛)
(28)我只看现在可以识别算法的伪代码。	□	□	□	□	□
(29)我能描述的算法是如何工作的。	□	□	□	□	□
(30)我可以使用图仿真证明该算法是如何工作的。	□	□	□	□	□
(31)我可以给一组数据的输出通过算法仿真。	□	□	□	□	□
(32)我可以完成缺失的代码我学会了所有的四个算法。	□	□	□	□	□
(33)我可以比较和分析算法,解决同样的问题,例如,搜索和排序。	□	□	□	□	□
(34)我可以轻松地使用C编程语言代码的算法或其他语言我知道。	□	□	□	□	□
(35)我现在可以开发自己的算法来解决其他问题。	□	□	□	□	□

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢政府,老师,和学生东京科技高中科学技术支持和参与这项研究。

引用

1. ACM,”第七章。在入门课程。2001年ACM计算课程:计算机科学2001年,页22-34,http://www.acm.org/education/curric_vols/cc2001.pdf。视图:谷歌学术搜索
2. c·a·谢弗·m·l·库珀,a·j·d·阿龙et al .,“算法可视化:字段的状态”,ACM交易计算教育,10卷,不。3、第九条,2010年。视图:出版商的网站|谷歌学术搜索
3. p . Saraiya有效的算法可视化功能弗吉尼亚理工学院和州立大学,2002。
4. p . Saraiya c·a·谢弗·d·s . McCrickard和c北,“算法可视化的有效特征,”学报35 SIGCSE技术研讨会上计算机科学教育(SIGCSE ' 04)ACM出版社,页382 - 386年,2004年3月。视图:谷歌学术搜索
5. 2009年Algoviz门户,http://algoviz.org/。
6. c·d·Hundhausen、美国道格拉斯和j . t . Stasko“教育学的算法可视化效果,”杂志的视觉语言和计算,13卷,不。3、259 - 290年,2002页。视图:出版商的网站|谷歌学术搜索
7. 美国格里森,m·f·麦克纳利和t . l .午睡”算法可视化计算机科学教育:比较水平的学生参与,”ACM学报2003年研讨会软件可视化(SoftVis ' 03)ACM,页87 - 94年,圣地亚哥,加利福尼亚州,美国,2003年6月。视图:谷歌学术搜索
8. c·a·谢弗·m·库珀,s . h·爱德华兹,“算法可视化:报告的状态,”ACM SIGCSE公告,39卷,不。1,第154 - 150页,2007。视图:谷歌学术搜索
9. g . Roßling“第一套算法动画,设计模式”5项目的程序可视化车间(PVW ' 08)卷,224电子票据在理论计算机科学,页67 - 76,爱思唯尔科学出版商b . V。,阿姆斯特丹,荷兰,2009年。视图:谷歌学术搜索
10. j . Urquiza-Fuentes和j·A。Velazquez-Iturbide”,成功的调查程序可视化和算法动画系统的评价,“ACM交易计算教育,9卷,不。2、21、2009页。视图:出版商的网站|谷歌学术搜索
11. t . l .午睡g . Roßling诉Almstrum et al .,“探索可视化和参与计算机科学教育的作用,”学报工作小组报告ITiCSE创新技术在计算机科学教育(ITiCSE-WGR ' 02)ACM,页131 - 152年,纽约,纽约,美国,2002年6月。视图:出版商的网站|谷歌学术搜索
12. M.-H。李和g . Roßling”集成分类算法学习目标到算法的可视化设计:一个提议,”学报》第15届计算机科学教育创新和技术会议(ITiCSE 10)2010年6月,页289 - 293。视图:出版商的网站|谷歌学术搜索
13. p . r . Pintrich和e . v . de Groot”动机和自主学习的课堂学习成绩,”教育心理学杂志,卷82,不。1,33-40,1990页。视图:出版商的网站|谷歌学术搜索
14. j·m·凯勒”,学习的动机和e3-learning第一原则”,远程教育卷,29号2、175 - 185年,2008页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015艾梅特蕾莎Avancena等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。