Tietojenkäsittelytiede:algoritminen väärinkäsitysmalli
algoritminen väärinkäsitysmalli
| algoritminen väärinkäsitysmalli | (ehdotettu) |
Kun opiskelija ratkaisee visuaalisen algoritmisimulaatiotehtävän väärin, ratkaisussa voidaan erottaa kahdentyyppisiä virheitä. Ensiksi on olemassa yksittäisiä huolimattomuusvirheitä, jotka johtuvat huolimattomuudesta. Toiseksi on säännönmukaisesti toistuvia virheitä, joiden taustalla voidaan olettaa olevan jonkinlainen väärinkäsitys, siis väärä ratkaisuperiaate. Algoritminen väärinkäsitysmalli on algoritmi, joka pyrkii mallintamaan opiskelijoiden tuottaman virhekuvion täsmällisesti.
Algoritmisia väärinkäsitysmalleja on toistaiseksi käytetty 2000-luvulta alkaen tietotekniikan opetustutkimuksessa määrällisenä menetelmänä, jolla on etsitty todisteita tiettyjen väärinkäsitysten yleisyydestä. Samanlaista menetelmää käyttivät myös Brown ja Burton (1978) peruskoulumatematiikassa allekkainlaskuvirheiden luokitteluun. Teoriassa algoritmisia väärinkäsitysmalleja voitaisiin käyttää automaattisen palautteen antamiseen opiskelijalle visuaalisessa algoritmisimulaatiotehtävässä.
Esimerkkejä:
- Binäärikeon rakentaminen: opiskelija vaihtaa kummatkin lapsisolmut (a, b) isän c kanssa, jos a, b < c. (Seppälä, Malmi ja Korhonen, 2006; Karavirta, Korhonen ja Seppälä, 2013; Tilanterä, 2020. Väärinkäsitys "Heapify-with-father")
- Dijkstran algoritmi: algoritmi mittailee jokaisella askeleella vaihtoehtoisia reittejä virityspuun lehtisolmuista uuteen kohdesolmuun. (Tilanterä, Sorva, Seppälä ja Korhonen, 2024; Tilanterä, Korhonen, Seppälä ja Taivainen, 2025. Väärinkäsitys "Focus on Spanning-Tree Nodes over Fringe" tai "Focal")When a student solves a visual algorithm simulation exercise incorrectly, there are two different types of errors. First, there are single mistakes resulting from carelessness. Second, there are systematically reappearing errors. The cause of the latter type of errors is assumed to be a misconception, i.e., incorrect solution principle. An algorithmic misconception model (AMM) is an algorithm which aims to model exactly the error pattern produced by students.
Algorithmic misconception models have been used since 2000s in computing education research as a quantitative method looking for evidence for the frequency of certain misconceptions in the domain of data structures and algorithms. Brown and Burton (1978) used a similar method to classify students' errors in elementary school mathematics. In theory, algorithmic misconception models could be used to give automated feedback for a student in a visual algorithm simulation exercise.
Examples
- Build-heap algorithm: a student exchanges both child nodes (a, b) with their father c, if a, b < c. (Seppälä, Malmi ja Korhonen, 2006; Karavirta, Korhonen ja Seppälä, 2013; Tilanterä, 2020. Misconception "Heapify-with-father")
- Dijkstra's algorithm: at each step, the algorithm measures alternative routes from the leaf nodes of the spanning tree to a new target node. (Tilanterä, Sorva, Seppälä ja Korhonen, 2024; Tilanterä, Korhonen, Seppälä ja Taivainen, 2025. Misconception "Focus on Spanning-Tree Nodes over Fringe" or "Focal")Erikieliset vastineet
| algorithmic misconception model | englanti (English) | (ehdotettu) |
| algoritmisk missuppfattningsmodell | ruotsi (svenska) | (ehdotettu) |
Lähikäsitteet
- visuaalinen algoritmisimulaatio (kokonaisuuskäsite)
- väärinkäsitys
Käytetyt lähteet
Seppala&Malmi&Korhonen2006, Tilantera2020, Tilantera2024, Tilantera2025a, Brown Burton 1978, Karavirta&Korhonen&Seppala_2013
Alaviitteet
Lähdeviittaus tähän sivuun:
Tieteen termipankki 5.12.2025: Tietojenkäsittelytiede:algoritminen väärinkäsitysmalli. (Tarkka osoite: https://tieteentermipankki.fi/wiki/Tietojenkäsittelytiede:algoritminen väärinkäsitysmalli.)