КОНТЕЙНЕР ДЕҢГЕЙІНДЕГІ БАҒДАРЛАМАЛАУ ІЗДЕРІНЕН TPACK КОМПОНЕНТІН БАҒАЛАУ ҮШІН КӨП ШЫҒЫСТЫ ГРАДИЕНТТІК КҮШЕЙТУ

Информатика мұғалімдерінің бағдарламалау құзыреттілігі мен педагогикалық мазмұндық білімінің бір мезгілде дамуын бағалау ашық өлшеу мәселесі болып табылады. Сауалнамаға негізделген құралдар мінезқұлықтың орнына сенімдерді анықтайды, ал стандартты бағдарламалау аналитикалық құбырлары мұғалім кандидаттарын қарапайым есептеу студенттерінен ерекшелейтін педагогикалық білім өлшемін модельдемей, бір ғана дағды мақсатын бақылайды. Бұл мақалада бағдарламалау зертханалық сабақтары кезінде контейнердің жұмыс уақытында жиналған мінез-құлық іздері бойынша технологиялық білім, педагогикалық білім, мазмұндық білім және педагогикалық мазмұндық білімнің барлық төрт TPACK компонентін меңгеру деңгейлерін бағалайтын көп шығысты градиентті күшейту архитектурасы ұсынылған. Алты санатты ерекшелік таксономиясы Docker демоны оқиға ағындарынан, қолданбалы қабат компиляция журналдарынан, пернетақтаны басу тізбектерінен, нұсқаны басқару суреттерінен, көмек іздеу өзара әрекеттесулерінен және дәл бапталған DistilBERT педагогикалық рефлексия классификаторынан алынған. 850 аннотацияланған сессияның синтетикалық эталонындағы эксперименттер стандартты Байес білімін бақылау және бір шығысты градиентті күшейтуді қоса алғанда, сегіз модель конфигурациясын төрт базалық деңгейге сәйкес бағалайды. Ұсынылған архитектура барлық төрт TPACK компоненті бойынша макроорташа F1 мәніне 0,791 жетеді, бұл ең күшті бір шығыс базалық деңгейінен 6,8 пайыздық пунктке асып түседі және үздіксіз меңгеру бағалауларындағы орташа абсолютті қатені BKT-мен салыстырғанда 18,3%-ға төмендетеді. Абляция нәтижелері педагогикалық рефлексия ерекшеліктерінің PCK болжамына 9,2 F1 пунктін қосатынын, TK және CK-ға шамалы пайда әкелетінін, із таксономиясының компонентке тән дизайнын растайтынын растайды. Ерекшеліктердің маңыздылығын талдау пернеаралық кідіріс орналастыру және компиляция қателерінің ауысу үлгілері CK бағалауы үшін ең ақпараттық сигналдар екенін, ал лексикалық PCK ерекшеліктері педагогикалық компонентті болжауда басым екенін көрсетеді.

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.