Automatic Instructional Feedback of Database Courses in Higher Education : Strategies for Structured Learning Engagement and Mediation

Abstract

The pedagogical effectiveness of an instructional technique can be assessed by its capacity to adapt to the dynamics of interaction that arise from students’ learning engagements. This adaptability allows the instruction strategy to cater to the individual needs and learning styles of students, promoting a more personalized and effective learning experience. Additionally, an instruction strategy that can adapt to interaction dynamics fosters a collaborative and interactive learning environment, enhancing student engagement and participation. However, as observed in most course projects and exercise groups, most students’ learning engagement events occur in the context of an egocentric interaction and are thus difficult to classify as structured or unstructured in the short run. This difficulty highlights the importance of implementing an instructional strategy that can readily measure and evaluate students’ learning progress and engagement. This will allow instructors or an automated system to identify individual students strengths or areas where they may need additional support or guidance. To address this challenge, researchers have developed and implemented strategies based on natural language processing, large language models, recommendation systems, an error class strategy, and a method that enables a retrospective understanding of students’ engagement during a programming task. State-of-the-art research efforts indicate that the implementation of automated systems for the early evaluation and restructuring of a student’s learning engagement easily addresses academic failure and thus boosts the ability of lecturers to provide timely and proactive interventions with minimal effort. Similarly, this thesis’s efforts have the potential to enhance overall learning engagement outcomes. Furthermore, the implementation of the strategies described in this research, either in their entirety or in a modified form, has the potential to enhance academic performance prediction and promote the development of teamwork skills. Furthermore, this approach lays the foundation for the successful implementation of an intelligent agent-mediated learning platform. While the strategies employed and discussed in this work are generalizable to most fields of learning, their current focus is on teaching structured query language.

Die pädagogische Wirksamkeit einer Unterrichtstechnik kann anhand ihrer Fähigkeit bewertet werden, sich an die Interaktionsdynamik anzupassen, die aus den Lernaktivitäten der Schüler entsteht. Diese Anpassungsfähigkeit ermöglicht es der Unterrichtsstrategie, auf die individuellen Bedürfnisse und Lernstile der Schüler einzugehen, was ein personalisierteres und effektiveres Lernerlebnis fördert. Zusätzlich fördert eine Unterrichtsstrategie, die sich an die Interaktionsdynamik anpassen kann, ein kollaboratives und interaktives Lernumfeld, das das Engagement und die Teilnahme der Schuler erhöht. Wie jedoch in den meisten Kursprojekten und Übungsgruppen beobachtet, finden die Lernengagement-Ereignisse der meisten Studierenden im Kontext einer egozentrischen Interaktion statt und sind daher kurzfristig schwer als strukturiert oder unstrukturiert zu klassifizieren. Diese Schwierigkeit unterstreicht die Bedeutung der Implementierung einer Unterrichtsstrategie, die den Lernfortschritt und das Engagement der Schüler leicht messen und bewerten kann. Dies wird es Lehrkräften oder einem automatisierten System ermöglichen, die individuellen Stärken der Schüler oder Bereiche zu identifizieren, in denen sie zusätzliche Unterstützung oder Anleitung benötigen. Um diese Herausforderung zu bewältigen, haben Forscher Strategien entwickelt und implementiert, die auf natürlicher Sprachverarbeitung, großen Sprachmodellen, Empfehlungssystemen, einer Fehlerklassifikationsstrategie und einer Methode basieren, die ein ruckblickendes Verständnis des Engagements der Schüler während einer Programmieraufgabe ermöglicht. Modernste Forschungsbemühungen zeigen, dass die Implementierung automatisierter Systeme zur frühen Bewertung und Umstrukturierung des Lernengagements eines Schulers akademische Misserfolge leicht angeht und somit die Fähigkeit der Dozenten stärkt, rechtzeitige und proaktive Interventionen mit minimalem Aufwand bereitzustellen. Ähnlich haben die Bemühungen dieser Dissertation das Potenzial, die allgemeinen Ergebnisse ¨ des Lernengagements zu verbessern. Darüber hinaus hat die Umsetzung der in dieser Forschung beschriebenen Strategien, sei es in ihrer Gesamtheit oder in modifizierter Form, das Potenzial, die Vorhersage der akademischen Leistung zu verbessern und die Entwicklung von Teamarbeitfähigkeiten zu fördern. Darüber hinaus legt dieser Ansatz die Grundlage für die erfolgreiche Implementierung einer intelligenten, agentenvermittelten Lernplattform. Während die in dieser Arbeit angewandten und diskutierten Strategien auf die meisten Lernfelder übertragbar sind, liegt der aktuelle Schwerpunkt auf dem Unterricht in Structured Query Language.