ПОДХОДЫ К АВТОМАТИЧЕСКОЙ ПРОВЕРКЕ ПРАКТИЧЕСКИХ ЗАДАНИЙ В MOOCS И ОНЛАЙН-ОБУЧЕНИИ

2022

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)
DOI 10.54309/ijict.2022.10.2.003
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

One of the most important components of distance learning for software developers is practice. For effective learning and scaling, an instructor needs to check student’s code automatically. This paper presents an actual overview of the present state of online e-learning platforms, Massive Open Online Courses (MOOCs), and other online learning services and solutions with automatic checking of students’ practical assignments. It also provides an extensive theoretical framework for automatic compilation, code validation, architecture, scalability, and fault tolerance.