Дуйсенова Гаухар Асылхановна - докторант,
г. Астана
Duisenova Gaukhar - doctoral student,
Astana, 010008
Шындалиев Нуржан Тажибаевич - кандидат педагогических наук, ассоциированный профессор,
г. Астана
Shyndaliyev Nurzhan - candidate of pedagogical sciences, associate professor,
Astana, 010008
Шадиев Рустам Нарзикулович - PhD, профессор,
г. Ханчжоу
Shadiev Rustam - professor, PhD,
Hangzhou, 310058
Оценка одновременного развития компетенций в программировании и педагогических знаний предметной области у будущих учителей информатики представляет собой нерешенную проблему оценки. Инструменты, основанные на опросах, отражают убеждения и самооценки, а не фактическое поведение, а стандартные конвейеры анализа программирования ориентированы на оценку одного навыка, не моделируя измерение педагогических знаний, которое отличает кандидатов в учителя от обычных студентов, изучающих информатику. В данной статье представлена многовыходная архитектура градиентного бустинга, которая оценивает все четыре уровня освоения компонентов TPACK: технологические знания, педагогические знания, знания предметной области и педагогические знания предметной области, на основе поведенческих трасс, собранных на уровне среды выполнения контейнеров во время лабораторных занятий по программированию. Шестикатегориальная таксономия признаков выводится из потоков событий демона Docker, журналов компиляции на уровне приложений, последовательностей нажатий клавиш, снимков системы контроля версий, взаимодействий при запросе помощи и тонко настроенного классификатора педагогического отражения DistilBERT. Эксперименты на синтетическом эталонном наборе данных, включающем 850 аннотированных сессий, позволяют оценить восемь конфигураций модели в сравнении с четырьмя базовыми моделями, включая стандартную байесовскую трассировку знаний и градиентный бустинг с одним выходом. Предложенная архитектура достигает макроусредненного значения F1, равного 0,791, по всем четырем компонентам TPACK, превосходя самый сильный базовый показатель с одним выходом на 6,8 процентных пункта и снижая среднюю абсолютную ошибку при оценке непрерывного уровня знаний на 18,3% по сравнению с BKT. Результаты анализа подтверждают, что педагогические характеристики отражения вносят вклад в 9,2 пункта F1 в прогнозирование PCK, при этом для TK и CK прирост был незначительным, что подтверждает компонентно-специфическую структуру таксономии трассировки. Анализ важности признаков показывает, что размещение пауз между клавишами и шаблоны перехода ошибок компиляции являются наиболее информативными сигналами для оценки CK, в то время как лексические характеристики PCK доминируют в прогнозировании педагогических компонентов.
Assessing the simultaneous development of programming competence and pedagogical content knowledge in preservice informatics teachers is an open measurement problem. Survey-based instruments capture beliefs rather than behavior, and standard programming analytics pipelines track a single skill objective without modeling the pedagogical knowledge dimension that differentiates teacher candidates from ordinary computing students. This paper presents a multi-output gradient boosting architecture that estimates all four TPACK component mastery levels Technological Knowledge, Pedagogical Knowledge, Content Knowledge, and Pedagogical Content Knowledge- from behavioral traces collected at the container runtime level during programming laboratory sessions. A six-category feature taxonomy is derived from Docker daemon event streams, application-layer compilation logs, keystroke sequences, version control snapshots, help-seeking interactions, and a fine-tuned DistilBERT pedagogical reflection classifier. Experiments on a synthetic benchmark of 850 annotated sessions evaluate eight model configurations against four baselines, including standard Bayesian Knowledge Tracing and single-output gradient boosting. The proposed architecture reaches a macroaveraged F1 of 0.791 across all four TPACK components, exceeding the strongest single-output baseline by 6.8 percentage points and reducing mean absolute error on continuous mastery estimates by 18.3% relative to BKT. Ablation results confirm that the pedagogical reflection features contribute 9.2 points of F1 to PCK prediction specifically, with negligible benefit to TK and CK, validating the trace taxonomy's component-specific design. Feature importance analysis reveals that inter-key pause placement and compilation error transition patterns are the most informative signals for CK assessment, while lexical PCK features dominate pedagogical component prediction.
The authors declare that there are no conflicts of interest present.