Didattica della programmazione
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Didattica della programmazione Michael Lodi, Renzo Davoli 14, 20, 21 Aprile 2020 DISI - UniBO da Casa...lecchio / Sperabilmente in E1
Imparare a programmare è difficile
Difficoltà
• I corsi di introduzione all’informatica (CS1) di tutto il mondo
registrano molte bocciture, molti dropout e risultati inferiori
ad altri corsi
• Alcuni sostengono che esista il cosiddetto geek gene,
mostrando che le distribuzioni dei voti sarebbero bimodali.
Non dimostrato e molto dibattuto dagli esperti.
• Gli obiettivi tipici di un corso di programmazione (“scrivere un
programma che...”) si trovano in alto nelle tassonomie,
richiedendo quindi obiettivi cognitivi elevati (applicazione,
analisi, sintesi, valutazione)
• “Learning edge momentum” [Robins, 2010] o “interesse
composto”: gli argomenti di programmazione sono
estremamente legati tra loro: conoscere quelli prima facilita
molto l’apprendimento, non conoscerli lo rende sempre più
difficile. © 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliTre tipi di conoscenza [McGill and Volet, 1997]
• Conoscenza sintattica - conoscenza delle strutture
linguistiche di un linguaggio di programmazione
• Conoscenza concettuale - conoscenza della “dinamica” del
programma in esecuzione, cioè la conoscenza di come i
costrutti funzionano e determinano l’esecuzione del codice
(spesso si parla di “notional machine”)
• Conoscenza strategica - abilità di applicare la conoscenza
sintattica e concettuale per risolvere nuovi problemi o
raggiungere i propri obiettivi
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliProblemi
• La sintassi è un problema solo iniziale, eppure la maggior
parte dei libri di testo si concentrano solo (o quasi soltanto)
sulla conoscenza sintattica
• Non sempre agli studenti viene insegnato “cosa succede a
runtime”
• Quasi mai viene insegnato agli studenti “come” affrontare un
problema di programmazione
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliUn viaggio nel magico mondo del cognitivismo [Lodi, 2014, sez. 2.1.2, 2.2.2]
Magazzini di Memoria
Formulato originariamente da [Atkinson and Shiffrin, 1968]
Tale modello prevede tre “magazzini” attraverso cui transitano gli
stimoli sensoriali.
Figura 1: Magazzini di memoria, secondo Atkinson e Shiffrin
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliMagazzini di Memoria
• Registro sensoriale: collegato con l’organo di senso
corrispondente (informazione resta frazioni di secondo)
• Memoria a breve termine o memoria di lavoro: una
capienza limitata in spazio (4±1? 7±2?) e tempo (≈ 10s,
aumentabile con la ripetizione). Transito bidirezionale tra
ambiente e memoria a lungo termine. Qui avviene la
manipolazione attiva (e cosciente) dell’informazione
• Memoria a lungo termine: capacità potenzialmente
illimitate, memorizza grandi quantità di informazione per
tempi molto lunghi. Non siamo coscienti di queste memorie:
per utilizzarle dobbiamo recuperarle portandole nella memoria
di lavoro.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliMagazzini di Memoria
Com’è possibile che l’uomo riesca a svolgere attività mentali
complesse con una memoria di lavoro tanto limitata? Usando il
raggruppamento (chunking) e l’automatizzazione.
Imparare qualcosa significa quindi conservarlo nella memoria a
lungo termine. Per accedervi, però, dobbiamo passare dal “collo di
bottiglia” della memoria di lavoro: per farlo, si deve diventare bravi
a elaborare le informazioni in grandi gruppi e in modo automatico.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliSchemi
• Struttura mentale che contiene una conoscenza concettuale
generica
• Es. cos’è una casa; azioni che servono per mangiare al
ristorante / prendere un aereo; trovare a in un’equazione del
tipo a/b = c, con a, b 6= 0, c qualsiasi
• Per non essere sopraffatti dai dettagli
• Infatti uno schema occupa un singolo chunk
• Esperto: non tanto (non solo) intelligenza o talento o
memoria di lavoro, ma ampissima batteria di schemi
gerarchizzati, collegati tra loro, astratti
• Gli esperti passano più tempo ad analizzare il problema in
profondità, per usare gli schemi giusti
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliCarico cognitivo
• Si apprende al meglio quando la memoria di lavoro non è né
troppo piena né troppo vuota, e la maggior parte di essa è
usata per la formazione di schemi
• Carico cognitivo è legato alla quantità di memoria di lavoro
utilizzata
• Diverse tipologie:
• Intrinseco: quello imposto dallo specifico compito
• Pertinente: non indispensabile per la soluzione del compito,
ma usata per creare o modificare schemi, riflettendo su ciò che
si sta imparando
• Estraneo: non essenziale al compito e non necessario per
imparare (es. dati non necessari, chiacchiericcio di sottofondo,
ecc.)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliCarico cognitivo
• Per l’apprendimento: carico cognitivo pertinente elevato
• Se quello intrinseco è troppo alto, non ci sarà spazio per
l’apprendimento
• Se invece è troppo basso, può subentrare noia o mancanza di
motivazione
• Ridurre il carico cognitivo di compiti molto difficili (es.
scrivere un programma) - vedremo alcune tecniche legate alla
didattica della programmazione
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliOggi piove...
Scrivete un programma (nel linguaggio che vi viene più spontaneo)
che chiede in input all’utente interi (supponiamo il tipo sia
corretto, senza controllare) non negativi, che rappresentano
misurazioni della quantità giornaliera di pioggia. Quando l’utente
inserisce il valore 99999, il programma stampa la media dei numeri
ricevuti prima di tale valore e termina. Se l’utente inserisce numeri
negativi, questi vengono ignorati. Non utilizzare strutture dati
complesse (es. liste, array...)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliOggi piove...
Scrivete un programma (nel linguaggio che vi viene più spontaneo)
che chiede in input all’utente interi (supponiamo il tipo sia
corretto, senza controllare) non negativi, che rappresentano
misurazioni della quantità giornaliera di pioggia. Quando l’utente
inserisce il valore 99999, il programma stampa la media dei numeri
ricevuti prima di tale valore e termina. Se l’utente inserisce numeri
negativi, questi vengono ignorati. Non utilizzare strutture dati
complesse (es. liste, array...)
Rainfall problem - Sviluppato nel 1986 da Elliot Soloway
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliProposta
1 #i n c l u d e < stdio .h >
2 i n t main ()
3 {
4 i n t s = 0;
5 i n t n = 0;
6 i n t i = -1; // trick
7 do {
8 i f ( i >= 0) { s += i ; n ++;}
9 printf ( " Pioggia caduta : " ) ;
10 scanf ( " % d " , & i ) ;
11 } w h i l e ( i != 99999) ;
12 i f (n >0)
13 printf ( " Media : % f \ n " ,( f l o a t ) s / n ) ;
14 else
15 printf ( " Nessun dato \ n " ) ;
16 r e t u r n 0;
17 }
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliProposta
1 totale = 0
2 misure = 0
3 pioggia = i n t ( i n p u t ( " Pioggia caduta : " ) )
4 w h i l e pioggia != 99999:
5 i f pioggia >= 0:
6 totale = totale + pioggia
7 misure = misure + 1
8 # la condizione cambia
9 pioggia = i n t ( i n p u t ( " Pioggia caduta : " ) )
10
11 i f misure > 0:
12 p r i n t ( " Media pioggia caduta : " , totale / misure
)
13 else :
14 p r i n t ( " Nessun dato " )
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliSchemi e carico cognitivo
• Un novizio ha bisogno di molti schemi (inizializzare un
accumulatore per la somma, inizializzare un contatore,
calcolare la media (controllando che il denominatore non sia
0), aggiornare il valore di input (in Python: 2 volte, cast a
intero), in C: importare la libreria per l’i/o, tipizzare le
variabili, fare il casting a float, ecc ecc.)
• Un esperto potrebbe avere un chunk del tipo “calcolare la
media di valori presi in input”
• “Expert blind spot”: non riusciamo più a “scindere” in schemi
più semplici, non ci rendiamo quindi conto del carico cognitivo
elevato
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliModelli mentali
• Strutture mentali che rappresentano alcuni aspetti
dell’ambiente di una persona
• “Cose” specifiche: me stesso, la mia ragazza, l’ambiente di
editing con cui sto componendo le slide, più che oggetti
generici
• Spiegarsi come un “oggetto” funzioni in situazioni diverse,
fare previsioni
• Sono “fallibili”
• Sono eseguibili: posso svolgere una simulazione mentale, in
diversi contesti e con variabili diverse
• La simulazione impiega la memoria di lavoro (non posso
coinvolgere troppi stati o variabili)
• Vedremo più avanti il “modello mentale” della macchina che
esegue un certo programma
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliMisconcezioni [Lodi, 2014, sez. 2.2.3, Appen. A]
Misconcezioni
Slide di seguito tradotte e sintetizzate da [Sorva, 2018], ci
occupiamo principalmente di programmazione procedurale
imperativa (accenni ad oggetti).
• Credere di conoscere (come funziona) qualcosa, ma in realtà
lo si è “compreso male”, cioè se ne ha un’interpretazione
dannosa o non desiderabile
• Il computer non “negozia” sintassi e semantica
• Gli studenti produrranno codice che non funziona
• Gli insegnanti devono identificiare le misconcezioni
• Misconczioni presenti anche nei linguaggi a blocchi
• Vediamone alcune, elencate per categorie. Per “menù” più
completi, vedere [Qian and Lehman, 2017, Sorva, 2013,
Sorva, 2018, Lodi, 2014]
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliAnalogie e metafore
La metafora della variabile come scatola può causare alcune
misconcezioni, ad esempio:
• Una variabile può contenere più di un valore, in particolare la
“storia” dei valori ad essa assegnati
• Assegnamenti del tipo a = b spostano il valore da una
variabile all’altra. La variabile sorgente è svuotata
• Le variabili sono inizialmente contenitori vuoti e non
necessitano di essere inizializzati
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliAssegnamento i
L’uso del simbolo = per l’assegnamento causa molte misconcezioni
• Una variabile è semplicemente l’accoppiamento di un simbolo
con un valore. Non è memorizzato da nessuna parte
• a = b + 1 memorizza un’equazione in memoria, o memorizza
l’espressione b + 1 non valutata nella variabile a
• Un programma, specialmente se è una sequenza di
assegnamenti, è visto come un insieme (non ordinato) di
equazioni
• Molte righe di codice (non concorrente) possono essere attive
simultaneamente durante l’esecuzione
• Assegnamenti come a = b funzionano in entrambe le
direzioni, e scambiano i valori
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliAssegnamento ii
• L’assegnamento a = a + 1 è errato poiché è un’equazione
impossibile
• Una variabile deve essere di una singola lettera, nomi più
lunghi sono comandi
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliAssegnamento iii
Esempi documentati sono la difficoltà di comprendere lo scambio
di variabili con variabile temporanea, o studenti che chiedono i dati
in input dopo che li hanno usati per calcolare un risultato, o
cercano di risolvere per sostituzione gli assegnamenti.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliTerminologia i
L’uso di parole del linguaggio naturale può causare misconcezioni
• La condizione di un ciclo while viene valutata costantemente,
e si esce dal ciclo nel momento esatto in cui diviene falsa
Bisogna quindi mostrare esempi specifici
[Sorva in [Grover, 2020, p. 145]]
n = 1 n = 1
w h i l e n < 10: w h i l e n < 10:
p r i n t (n) n += 4
n += 4 p r i n t (n)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliTerminologia ii
• Il comando if viene eseguito non appena la sua condizione
diventa vera
• La parola chiave then suggerisce qualcosa che viene eseguita
dopo un’altra
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliScopo vs. struttura
• L’incremento di una variabile è visto come una operazione
indivisibile
Dire che a = a + 1 incrementa il valore di a descrive lo scopo
dell’istruzione, non il suo funzionamento. Andrebbe specificato
• Valuto la parte destra
• Assegno il valore che trovo a destra al nome a sinistra
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliPresenza di un’intelligenza interpretativa
L’analogia “programmare col computer è come conversare con
esso” può portare ad attribuire intenzionalità al computer
[Pea, 1986]:
• Programmare è come parlare in linguaggio naturale. Il computer o
l’ambiente di sviluppo ha un’intelligenza nascosta che comprende le
intenzioni del programmatore e lo aiuta a raggiungere il suo scopo
(“superbug”), per esempio completando con “ovvie” informazioni
mancanti
• Il computer impedisce operazioni che sono inutili, non ragionevoli,
sbagliate
• Il computer ha una visione generale, conosce cosa accadrà alle linee
di codice che non sta eseguendo in quel momento.
• I nomi assegnati alle variabili influenzano il loro comportamento e
funzionamento (es. “massimo” conterrà sempre valori “più grandi”)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliDifferenza tra codice statico e codice in esecuzione
• Non si possono usare nomi uguali per i parametri formali e
quelli attuali
• Il passaggio dei parametri crea sempre un legame diretto tra
parametri formali e attuali
• L’assegnamento copia le proprietà di una struttura dati ad
un’altra
• Due oggetti con lo stato identico sono lo stesso oggetto
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliVisione limitata di esempi
Gli studenti inferiscono regole dagli esempi che vedono.
• Gli attributi degli oggetti possono essere solo numeri o
comunque tipi primitivi
• Gli argomenti delle chiamate di funzioni possono essere solo
valori, non variabili
• Gli operatori di confronto/booleani possono comporarire solo
nella guardia di if o cicli e non, ad esempio, in espressioni
dentro un return
• Le procedure sono eseguite nell’ordine in cui sono definite
• (La chiamata ricorsiva avviene sempre e solo nel return)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliMacchina Concettuale [Lodi, 2014, sez. 2.2.4 ]
Notional Machine [Sorva, 2013] (Macchina “concettuale”)
• Rappresenta le proprietà generali della macchina che si sta
imparando a controllare.
• Computer idealizzato, le cui proprietà sono implicate dai
costrutti del linguaggio di programmazione impiegato, ma che
possono essere esplicitate durante l’insegnamento
• Creata con lo scopo di spiegare l’esecuzione dei programmi.
• Si tratta di una nozione più specifica, perché con scopi
didattici, della nozione classica e generale di macchina
astratta.
• Una caratterizzazione del computer nel suo ruolo di esecutore
di programmi (in un particolare linguaggio), racchiude le
capacità e i comportamenti hardware e software che siano
sufficientemente astratti, ma precisi, per spiegare come i
programmi sono eseguiti
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliNotional Machine (Macchina “concettuale”) [Sorva, 2013]
• Legata a un preciso linguaggio di programmazione
• Non deve (necessariamente) essere un modello del computer
fisico (o “fedele” a quel che succede realmente dietro le
quinte)
• Possono esistere più macchine, a livelli di astrazione diversi,
per uno stesso linguaggio (es. macchina per Java che
definisce il computer come capace di maneggiare oggetti che
si scambiano messaggi, una a più basso livello che vede i vari
costrutti maneggiare aree di memoria, stack delle chiamate e
heap, una ancora più a basso livello che descrive Java in
termini di bytecode)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliMacchina concettuale e misconcezioni
• Modello mentale dell’esecutore
• Simulazione di tale modello: tracing
• I linguaggi ad alto livello nascondono molti dettagli
• Il modello si forma in ogni caso, che venga esplicitata o meno
• I novizi possono formarsi modelli che non sono adeguati →
misconcezioni
• Secondo alcuni, forma una “realtà oggettiva”... scacco matto
costruttivisti estremi ;)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliVisualizzare la macchina concettuale
• Facendo disegni e annotando alla lavagna lo stato interno
durante l’esecuzione
• NB. Studenti pensano sia solo un modo dei docenti per
spiegare, vanno spinti a farlo essi stessi
• Con strumenti di visualizzazione, es.
http://pythontutor.com/visualize.html#mode=edit
• Esempio.
• Fibonacci
• Thonny (https://thonny.org/) (scaricatelo e “giocateci”
;))
• Funzioni analoghe in BlueJ per Java/Stride
• Alcune funzioni analoghe nei linguaggi a blocchi, es:
• Sctatch (e figli): visualizzare il valore delle variabili
• Snap! (e Scratch 1.4): esecuzione step by step con blocchi
“illuminati”
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliConsigli per gli acquisti
Un libro “al livello giusto” per gli insegnanti
https://www.shuchigrover.com/atozk12cs/about/
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliLettura e comprensione di codice
Leggere per imparare a scrivere
Questo libro non insegna a scrivere. Non s’impara a scrive-
re leggendo un libro sulla scrittura, cosı̀ come non s’impa-
ra a sciare leggendo un libro sullo sci. Bisogna esercitarsi:
cioè leggere tanto (romanzi, saggi, giornali decenti), parla-
re con gente più colta e intelligente di noi e naturalmente
scrivere, se è possibile facendosi correggere da chi sa già
scrivere meglio di noi.
Claudio Giunta. Come non scrivere: Consigli ed esempi
da seguire, trappole e scemenze da evitare quando si
scrive in italiano. UTET. Premessa.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliScaffolding
• Ridurre il carico cognitivo
• Aiutare la formazione di modelli mentali viable e sviluppare
una conoscenza concettuale
• Favorire lo sviluppo di una conoscenza strategica
• Piano piano, bisogna togliere l’impalcatura:
Un insegnante è uno che si rende progressivamente inutile.
Thomas Carruthers
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliEsempi risolti
Esempi risolti (o parzialmente risolti) e commentati da esperti
• Problema/goal
• Proposta di soluzione (o, meglio, diverse soluzioni)
• Spiegazione di come si è ottenuta la soluzione
Si sono dimostrati particolarmente efficaci quando gli studenti
fanno pratica risolvendo in prima persona un problema simile
subito dopo aver studiato l’esempio.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliEtichettatura dei sottoobiettivi
Commenti nel codice che identificano i sotto-schemi che stiamo
applicando, o i passi nel processo di soluzione, per aiutare il
“chunking”. Possono essere forniti (come in questo esempio) o
lasciati agli studenti da scrivere come compito.
# Inizializzo le variabili
s = 0
n = 0
# Leggo il primo valore in input
i = i n t ( i n p u t ( " Pioggia caduta : " ) )
# Determino la condizione di terminazione
w h i l e i != 99999:
# elaboro il valore
i f i >= 0:
s += i
n += 1
# leggo in input il valore successivo
i = i n t ( i n p u t ( " Pioggia caduta : " ) )
# determino output a seconda del numero di valori letti
i f n >0: p r i n t ( " Media di pioggia cauduta : " , s / n )
e l s e : p r i n t ( " Nessun dato " )
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliParsons problems
• Parsons Problem: https://js-parsons.github.io/
• Problem generator:
http://acos.cs.hut.fi/jsparsons-generator
• Provate a riordinare questo programma (link nella home del
wiki) affinché calcoli il numero di cifre pari in x. Poi pensare a
dei nomi più significativi per le variabili
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliParsons problems
• Parsons Problem: https://js-parsons.github.io/
• Problem generator:
http://acos.cs.hut.fi/jsparsons-generator
• Provate a riordinare questo programma (link nella home del
wiki) affinché calcoli il numero di cifre pari in x. Poi pensare a
dei nomi più significativi per le variabili
1 d e f cifrepari_brutto ( n ) :
2 conta_pari = 0
3 w h i l e n > 0:
4 cifra = n % 10
5 i f cifra % 2 == 0:
6 conta_pari += 1
7 n = n // 10
8 r e t u r n conta_pari
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliAltri esempi
• Cosa fanno questi programmi? http://aptiva.v2.cs.
unibo.it/wiki/index.php?title=Esercizi_di_lettura
• Esempi di uso di Python nella didattica:
http://aptiva.v2.cs.unibo.it/wiki/index.php?
title=Esempi_in_Python_per_la_didattica o - un po’
più complicati - http://aptiva.v2.cs.unibo.it/wiki/
index.php?title=Codice_visto_a_lezione
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliDiverse attività di Program Comprehension (Block Model)
• Si possono creare attività di program comprehension per tutti
e tre i livelli (conoscenza sintattica, concettuale, strategica)
(asse x nello schema seguente)
• E andando da specifiche istruzioni al codice nella sua interezza
(asse y nello schema seguente)
• Il Block Model: http://lonati.di.unimi.it/didainfo_
2019-20/progComp/2-BM-table.pdf
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliLavoro a coppie
In classe: mantenedo distanza (sedersi nei posti assegnati),
mascherina, senza toccare oggetti condivisi.
Distribuitevi per tutta la lunghezza dell’aula, fino in fondo.
A casa:
• Su Teams, andate nel calendario, e create un
meeting/riunione (circa tra le 14 e le 16 di oggi)
• Nel titolo, scrivete “Didattica della programmazione Nome1
Nome2” (anche qui, circa)
• Aggiungete, oltre a voi stessi, anche il Prof. Davoli e me tra i
partecipanti obbligatori, cosı̀ che possiamo “girare
virtualmente tra i banchi” e vedere cosa state facendo
• Alterniamo esercizi e spiegazione, quindi tenete d’occhio la
chat della stanza principale
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliUn (meta)esercizio
• Lavoro a coppie, ma ognuno sul suo pc
• Assegnare a ciascuno dei seguenti esempi esercizi di program
comprehension (per lo più sono già risolti; tutti basati sullo
stesso programma) la corrispondente casella del block model
http://lonati.di.unimi.it/didainfo_2019-20/
progComp/2-BM-table.pdf
• Valutazione FORMATIVA: niente voti, niente ansia ;)
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliDiverse attività di Program Comprehension (Block Model)
• Possibile soluzione: http://lonati.di.unimi.it/
didainfo_2019-20/progComp/3-BM-tasks.pdf
• Esempi di (tipologie di) esercizi per ciascuna delle “caselle”
dello schema di cui sopra: http://lonati.di.unimi.it/
didainfo_2019-20/progComp/4-progCompTasks.pdf
(Sezione 5).
• L’articolo completo: https:
//dl.acm.org/doi/abs/10.1145/3344429.3372501
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliPattern Elementari
Pattern elementari
Per stimolare la conoscenza strategica.
NON sono dei “contenuti” da insegnare separatamente, sono
strumenti da far riconoscere, nominare, usare durante
l’insegnamento/apprendimento.
• Ruoli delle variabili https:
//csed-unibo.github.io/#!pages/ruoli_variabili.md
• Schemi legati alla scansione di sequenze https:
//csed-unibo.github.io/#!pages/pattern_cicli.md
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliRuoli delle variabili
Riprendiamo il lavoro sui ruoli delle variabili
(a livello di “atom” nel block model).
https:
//csed-unibo.github.io/#!pages/ruoli_variabili.md
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliSchemi/pattern legati alla scansione di sequenze
A livello (circa) di “block” nel block model.
https://csed-unibo.github.io/#!pages/pattern_cicli.md
• Lavoro individuale
• Consegna per mercoledı̀ 28 aprile alle 13 su Virtuale
• Il vostro lavoro verrà poi commentato (“valutato”) da un
collega
• Esperimento di “peer-evaluation”
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliBibliografia
Bibliografia i
Atkinson, R. and Shiffrin, R. (1968).
Human memory: A proposed system and its control
processes.
volume 2 of Psychology of Learning and Motivation, pages 89
– 195. Academic Press.
Grover, S. (2020).
Computer Science in K-12: An A-To-Z Handbook on
Teaching Programming.
Edfinity.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliBibliografia ii
Lodi, M. (2014).
Imparare il pensiero computazionale, imparare a
programmare.
Master’s thesis, Alma Mater Studiorum - Università di
Bologna.
http://amslaurea.unibo.it/6730/.
McGill, T. J. and Volet, S. E. (1997).
A conceptual framework for analyzing students’
knowledge of programming.
Journal of Research on Computing in Education,
29(3):276–297.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliBibliografia iii
Pea, R. (1986).
Language-independent conceptual “bugs” in novice
programming.
Journal of Educational Computing Research, 2:25–36.
Qian, Y. and Lehman, J. (2017).
Students’ misconceptions and other difficulties in
introductory programming: A literature review.
ACM Transactions on Computing Education, 18(1):1:1–1:24.
Robins, A. (2010).
Learning edge momentum: a new account of outcomes
in CS1.
Computer Science Education, 20(1):37–71.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliBibliografia iv
Sorva, J. (2013).
Notional machines and introductory programming
education.
Trans. Comput. Educ., 13(2):8:1–8:31.
http://doi.acm.org/10.1145/2483710.2483713.
Sorva, J. (2018).
Misconceptions and the beginner programmer.
In Computer science education: Perspectives on teaching and
learning in school. Bloomsbury Publishing.
© 2021 - Copyleft - CC BY-SA, Michael Lodi, Renzo DavoliPuoi anche leggere
