МНОГОВЫХОДНОЙ ГРАДИЕНТНЫЙ БУСТИНГ ДЛЯ ОЦЕНКИ КОМПОНЕНТОВ TPACK НА ОСНОВЕ ТРАССИРОВКИ ПРОГРАММИРОВАНИЯ НА УРОВНЕ КОНТЕЙНЕРА

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.

1. Saeli M., Perrenet J., Jochems W.M.G., Zwaneveld B. (2011) Teaching Programming in Secondary School: A Pedagogical Content Knowledge Perspective // Informatics in Education. Vol. 10. No. 1. P. 73—88.

2. Schulte C., Bell T., Settle A., (2011) Wörner K. Secondary School Informatics // Proceedings of the 16th Annual Conference Reports on Innovation and Technology in Computer Science Education (ITiCSE). P. 65—80. Available at – URL: https://portal.fis.tum.de/en/publications/computer-scienceinformatics-in-secondary-education/ (accessed: 12.01.2026)

3. Azcona D., Hsiao I.-H., Smeaton A.F. (2019) Detecting Students-at-Risk in Computer Programming Classes with Learning Analytics from Students' Digital Footprints // User Modeling and User-Adapted Interaction. Vol. 29. No. 4. P. 775—806. Available at – URL: https://link.springer.com/article/10.1007/s11257-019-09234-7 (accessed: 12.01.2026)

4. Robles-Gómez A., Tobarra L., Hernández R., Caminero A.C., Ros S., Pastor R. (2019) Analyzing the Students' Learning Within a Container-Based Virtual Laboratory for Cybersecurity // Proceedings of TEEM. doi: 10.1145/3362789.3362819.

5. Hundhausen C.D., Agrawal A., Agarwal P. (2013) Talking About Code: Integrating Pedagogical Code Reviews into Early Computing Education // ACM Transactions on Computing Education. Vol. 13. No. 3. P. 1-28. Available at – URL: https://dl.acm.org/doi/10.1145/2499947.2499951 (accessed: 23.01.2026)

6. Corbett A.T., Anderson J.R. (1994) Knowledge Tracing: Modeling the Acquisition of Procedural Knowledge // User Modeling and User-Adapted Interaction. Vol. 4. No. 4. P. 253-278. doi: 10.1007/BF01099821.

7. Piech C., Spencer J., Huang J., Ganguli S., Sahami M., Guibas L., Ng A. (2015) Deep Knowledge Tracing // Advances in Neural Information Processing Systems (NeurIPS). Vol. 28. P. 505-513.

8. Ihantola P., Vihavainen A., Ahadi A., Butler M., Börstler J., Edwards S.H., Hilton A. (2015) Educational Data Mining and Learning Analytics in Programming: Literature Review and Case Studies // Proceedings of the 2015 ITiCSE on Working Group Reports. P. 41—63. doi: 10.1145/2858796.2858798.

9. Leinonen J., Longi K., Klami A., Vihavainen A. (2016) Automatic Inference of Programming Performance from Typing Patterns // Proceedings of the 47th ACM Technical Symposium on Computing Science Education. P. 132—137. doi: 10.1145/2839509.2844612.

10. Liu Z., Zhu C., Gasevic D. (2022) Educational Process Mining for Discovering Students' Problem-Solving Strategies in Programming Education // IEEE Transactions on Learning Technologies. Vol. 15. No. 3. P. 383—397. doi: 10.1109/TLT.2022.3166228.

11. Elmoazen R., Saqr M., Misiejuk M., Hirsto L. (2023) Learning Analytics in Virtual Laboratories: A Systematic Literature Review of Empirical Research // Smart Learning Environments. Vol. 10. No. 1. P. 1—23. doi: 10.1186/s40561-023-00244-y.

12. Khajah M., Lindsey R.V., Mozer M.C. (2016) How Deep Is Knowledge Tracing? // Proceedings of the 9th International Conference on Educational Data Mining (EDM). P. 94—101.

13. Barnes T. (2005) The Q-Matrix Method: Mining Student Response Data for Knowledge // Proceedings of the AAAI Workshop on Educational Data Mining. P. 39—46.

14. Baker R.S., Siemens G. (2014) Educational Data Mining and Learning Analytics // Cambridge Handbook of the Learning Sciences, 2nd ed. — New York: Cambridge University Available at – URL: https://doi.org/10.1017/CBO9781139519526.016 (accessed: 23.01.2026) Press. P. 253—274.

15. Lundberg S.M., Lee S.-I. (2017) A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems (NeurIPS). Vol. 30.

16. Hermans F., Aivaloglou E. (2017) Code Smells in Programming Education // Proceedings of the 2017 ACM Conference on Innovation and Technology in Computer Science Education (ITiCSE). P. 220—225. doi: 10.1145/3059009.3059061.

17. Denny P., Luxton-Reilly A., Tempero E., Hendrickx J. (2011) Understanding the Syntax Errors of Novices // Proceedings of the 16th Annual Joint Conference on Innovation and Technology in Computer Science Education (ITiCSE). P. 213—217. doi: 10.1145/1999747.1999807.

18. Sanh V., Debut L., Chaumond J., (2019) Wolf T. DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter // arXiv preprint arXiv:1910.01108.

19. Schmidt D.A., Baran E., Thompson A.D., Mishra P., Koehler M.J., Shin T.S. (2009) Technological Pedagogical Content Knowledge (TPACK): The Development and Validation of an Assessment Instrument for Preservice Teachers // Journal of Research on Technology in Education. Vol. 42. No. 2. P. 123—149. doi: 10.1080/15391523.2009.10782544.

20. Qian Y., Lehman J. (2017) Students' Misconceptions and Other Difficulties in Introductory Programming // ACM Transactions on Computing Education. Vol. 18. No. 1. P. 1—24. doi: 10.1145/3077618.

21. Aleven V., Roll I., McLaren B.M., Koedinger K.R. (2016) Help Helps, But Only So Much: Research on Help Seeking with Intelligent Tutoring Systems // International Journal of Artificial Intelligence in Education. Vol. 26. No. 1. P. 205—223. doi: 10.1007/s40593-015-0089-1

22. Mishra P., Koehler M.J. (2006) Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge // Teachers College Record. Vol. 108. No. 6. P. 1017-1054. doi: 10.1111/j.1467-9620.2006.00684.x.

23. Zhang Z., Shi Y., Huang R. (2023) Utilizing Programming Traces to Explore and Model the Dimensions of Novices' Code-Writing Skill // Computer Applications in Engineering Education. Vol. 31. No. 4. P. 897-912. doi: 10.1002/cae.22622.

24. Malan D.J., Yu J., Kutaula A., Schmitt J. (2022) Teaching CS50 via Containers // Proceedings of the 27th ACM Conference on Innovation and Technology in Computer Science Education. P. 293—299. doi: 10.1145/3502717.3532137.

25. Baker R.S., Hawn A. (2022) Algorithmic Bias in Education // International Journal of Artificial Intelligence in Education. Vol. 32. No. 4. P. 1052—1092. doi: 10.1007/s40593-021-00285-9.