Manuscript with arrow icon Book and magnifying glass icon Cross-check icon Process checklist icon Reputation ribbon icon Graduation cap icon Question speech bubble icon Headset call icon Mobile phone call icon Login arrow icon B+ Paper Icon Becoming B+ Paper Icon Checkmark Paper Icon Feedback Speech Bubble Icon Feedback Double Speech Bubble Icon Similarity Check Icon Professional Development Icon Admin Training Icon Instructor Training Icon Student Training Icon Integrations Icon System Status Icon System Requirements Icon Menu Icon Checkmark Icon Download Icon Rubric Icon Prompt Icon QuickMark Set Icon Lesson Plan Icon Success Story Icon Infographic Icon White Paper Icon White Paper Icon Press Release Icon News Story Icon Event Icon Webcast Icon Video Icon Envelope Icon Plaque Icon Lightbulb Icon Insights Lightbulb Icon Training Icon Search Icon User Icon Privacy Icon Instructor Icon Instructor-1 Icon Investigator Icon Admin Icon Student Icon Voice Grammar Icon Turnitin Logo (Text and Icon) Icon Facebook Icon Twitter Icon LinkedIn Icon Google Plus Icon Lightbulb Icon Binoculars Icon Drama Masks Icon Magnifying Glass Icon Signal Check Indicator Bars Red Flag Icon Analysis and Organization Icon
Vertrieb kontaktieren

Was ist Autograding von Code?

Autograder sind ein Werkzeug, mit dem Lehrkr√§fte automatisch bewerten und/oder Lernenden Feedback zu ihrem Code geben k√∂nnen. Sie k√∂nnen so konfiguriert werden, dass sie umfangreiches und unmittelbares Feedback √ľbermitteln, was ein schnelles und effizientes Lernen f√∂rdert. Autograder werden in Informatik- und Ingenieursstudieng√§ngen sowie in Statistik- und Datenwissenschaftstudieng√§ngen h√§ufig eingesetzt. Sie k√∂nnen aber auch auch in Fachbereichen abseits von Informatik- und Computerwissenschaften eingesetzt werden. 

Der Einsatz eines Autograders spart Zeit bei der Benotung, vor allem bei Kursen mit vielen Teilnehmenden. Im Idealfall gibt er den Studierenden in Echtzeit Feedback zu ihren bestehenden Arbeitsabl√§ufen, so dass sie sich auf die n√§chsten Schritte in ihrem Lernprozess vorbereiten k√∂nnen. 

Das Wort "Automatisierung" mag den Eindruck erwecken, dass das Pers√∂nliche aufgehoben wird und damit den Kern des Lernens und der Kommunikation zwischen Lehrkr√§ften und Studierenden. Autograder sind ein Hilfsmittel, das, weil es eine Konfiguration und Anpassung erfordert, als "Debugging"-Werkzeug eingesetzt werden kann. Mit den richtigen Erg√§nzungen unterst√ľtzt er Autograder auch beim Aufrechterhalten von Feedback-Schleifen und beim Bewerten mit Integrit√§t. Autograder mit minimalem bin√§rem Feedback (richtig/falsch) k√∂nnen n√ľtzlich sein f√ľr summative Beurteilungen wie etwa Abschlusspr√ľfungen, bei denen Sie nicht m√∂chten, dass die Studierenden die Tests vollst√§ndig sehen oder direkte Hinweise zur L√∂sung von Problemen erhalten. Jedoch beeintr√§chtigt diese Art von Autograder Lernfortschritte, insbesondere bei Aufgaben mit geringem Pr√ľfungsdruck wie √úbungen oder Hausaufgaben. In diesen Situationen k√∂nnen Studierende, die im Lernprozess nicht weit genug sind, willk√ľrlich so lange Anpassungen einreichen, bis ihr Programm als korrekt angesehen wird. 

Doch wenn Autograding mit Feedback einhergeht, k√∂nnen Autograder den individuellen Lernfortschritt unterst√ľtzen und das Engagement der Studierenden erh√∂hen. Ein sofortiges Feedback erm√∂glicht es den Studierenden, ihren Code auf sinnvolle Weise zu √ľberarbeiten und ihre Verbesserungen vor Abgabetermin erneut einzureichen, ohne dass sie dabei auf die st√§ndige Beteiligung einer Lehrkraft angewiesen sind. Auf diese Weise f√∂rdern Lehrkr√§fte ein selbstgesteuertes Lernen. Au√üerdem k√∂nnen Autograder mit Feedback das Lernen im selbstgew√§hlten Tempo unterst√ľtzen.

Beim individuellen Lernen geht es darum, die Lernerfahrung f√ľr alle Studierenden auf der Grundlage ihrer einzigartigen F√§higkeiten und Fertigkeiten sowie anderer kontextbezogener Faktoren individuell zu gestalten. Kurz gesagt ist es eine Methode, um in der Interaktion zwischen Studierenden und Lehrkr√§ften eine P√§dagogik auf hohem Niveau umzusetzen. 

Nach einer Umfrage von Education Week aus dem Jahr 2018 betrachtet jeder dritte Befragte ein personalisiertes Lernen als "eine transformative Chance zur Verbesserung der √∂ffentlichen Bildung". Und 57 % der Befragten glauben, dass digitale Technologie ein effektives Instrument zur Erg√§nzung der Personalisierung ist. 

In einer darauf folgenden Umfrage von Education Week aus dem Jahr 2019 gaben 46 % der Lehrkr√§fte an, dass sie dem personalisierten Lernen positiv gegen√ľberstehen. Dabei gaben 91 % der Befragten an, dass sie zumindest in gewissen Ausma√ü zuversichtlich sind, dass digitale Tools den Lernprozess von Studierenden effektiv gestalten k√∂nnen (S. 4). Personalisiertes Lernen ist ein anerkannter p√§dagogischer Ansatz zur Unterst√ľtzung des Lernprozesses.

Durch personalisiertes Lernen k√∂nnen P√§dagogen alle Studierenden bei ihrem Lernfortschritt unterst√ľtzen. Das Reduzieren der L√ľcke zwischen leistungsst√§rkeren und leistungsschw√§cheren Studierenden kann beispielsweise zudem eine qualifiziertere, diversere Studierendenschaft f√∂rdern, die sp√§ter m√∂glicherweise eine Karriere in der Softwareentwicklung anstrebt (Aravind & Balasangameshwara, 2019). 

Wo liegen die Herausforderungen bei personalisiertem Lernen mit Autogradern in der Praxis?

Wenn es darum geht, das Programmieren zu lehren, bestehen besondere Herausforderungen hinsichtlich Bewertung und Feedback. 

  • Gr√ľndliches und anwendbares Feedback kann viel Zeit ben√∂tigen. Scott Smith, Professor f√ľr Informatik an der Johns Hopkins University, erkl√§rt: "In Seminaren, in denen Programmieren gelehrt wird, weisen wir den Studierenden in der Regel Projekte zu, bei denen sie Programme zur L√∂sung von Problemen schreiben m√ľssen. Wenn die Lehrkr√§fte diese Art von Aufgaben bewerten, m√ľssen sie nicht nur die Ergebnisse des Programms, sondern auch die Vorgehensweise der Studierenden beobachten. Wenn die Ergebnisse nicht stimmen oder das Programm nicht l√§uft, m√ľssen wir hunderte von Codezeilen durchgehen, um das Programm zu debuggen und ein gr√ľndliches Feedback zu geben."
  • Ein bin√§res System von richtig/falsch regt nicht zum Lernen an. Ohne gr√ľndliches Feedback gibt ein Autograder, der das Lernen unterst√ľtzen soll, den Studierenden keine n√§chsten Schritte an die Hand. Dadurch k√∂nnten die Studierenden in der Folge zuf√§llige Anpassungen vornehmen und M√∂glichkeiten verpassen, Inhalte wirklich zu verstehen. Kevin Lin, Assistenzprofessor an der University of Washington, erkl√§rt: "Den daraus resultierenden, vom Autograder beeinflussten Entwicklungszyklus sehen wir dann, wenn die Studierenden scheinbar wahllos kleinere Anpassungen an ihrem Code vornehmen, dann den Code an den Autograder senden und diesen Vorgang so lange wiederholen, bis ihr Programm alle vorgegebenen Tests besteht."
  • Ein √ľberm√§√üiger Einsatz von Autogradern kann selbstgesteuertes Lernen verhindern. Zwar sind Autograder dabei hilfreich, insbesondere bei gr√∂√üeren Kursen das Bewerten zu unterst√ľtzen, doch schlecht konzipierte Autograder k√∂nnen dazu f√ľhren, dass die Studierenden eher die Eigenheiten des Autograders lernen als die Kursinhalte. Forschern zufolge "k√∂nnen Studierende Autograder anstelle ihrer eigenen sorgf√§ltigen Reflexion verwenden". (Baniassad, Zamprogno, Hall, & Holmes, 2021). 

Wie setzen Pädagogen Autograder ein, um Lehre und Lernen zu verbinden?

Ohne Zweifel sind Autograder eine hilfreiche Unterst√ľtzung beim Bewerten von Informatik-Pr√ľfungen in gro√üem Umfang. In Verbindung mit aussagekr√§ftigem und personalisiertem Feedback k√∂nnen Autograder ein wichtiger Bestandteil dabei sein, personalisiertes Lernen in gro√üem Ma√üstab umsetzen zu k√∂nnen. 

Die Forschung akzeptiert den breiten Einsatz von Autogradern in Informatikkursen aus pragmatischen Gr√ľnden. Eine Studie ergab, dass sich die Leistungen der Studierenden um 96 % verbesserten, sobald fundiertes Feedback gegeben wurde (Haldeman et al., 2018). Dieselbe Forschungsgruppe sammelte in einer Folgestudie Daten aus zwei Semestern von Informatikkursen. Bei zwei verschiedenen Aufgaben wurden in einem Semester Hinweise und Feedback gegeben, im anderen nicht. "Die Ergebnisse zeigen, dass der Prozentsatz der Studierenden, die die Aufgaben nach einer anf√§nglichen fehlerhaften √úbermittlung erfolgreich abschlie√üen, dreimal so hoch ist, wenn Hinweise und Feedback gegeben werden (Haldeman et al., 2021).

Vorschläge, um das Lernen mit Autogradern zu verbessern, umfassen:
  • Der Einsatz von Tools wie Gradescope, die neben Autograding (unabh√§ngig von der Gr√∂√üe des Kurses) auch Rubrik- und Feedback-Funktionen bieten, spart bei der Benotung Zeit, wie viele Lehrkr√§fte best√§tigen. Mit Gradescope k√∂nnen Dozierende einen Autograder f√ľr das Benoten einzelner eingereichter Aufgaben erstellen, alles andere √ľbernimmt Gradescope; die Dozierenden m√ľssen sich nicht l√§nger darum k√ľmmern, wie alle eingereichten Arbeiten gehandhabt werden. Durch das umgehende Feedback erhalten die Studierenden die Ergebnisse innerhalb ihres Workflows und k√∂nnen so weitere Schritte im Lernprozess nehmen.
  • K√ľrzere Feedback-Schleifen verbessern den Lernfortschritt der Studierenden. Mit Gradescope wird der von der Lehrkraft hochgeladene Code-Autograder innerhalb von Sekunden nach der Einreichung des Codes durch die Studierenden ausgef√ľhrt. Dadurch erhalten die Studenten in Echtzeit R√ľckmeldung dar√ľber, was an ihrem Code falsch ist, so dass sie ihn umgehend √ľberarbeiten k√∂nnen. In einer Fallstudie nutzte Professorin Jillian Cannons, Assistenzprofessorin f√ľr Mathematik und Statistik an der Cal Poly Pomona, Gradescope, um ein nahezu sofortiges Feedback zu erhalten. Dieses sollte die Studierenden ermutigten, die Aufgabe so lange zu √ľberarbeiten, bis sie die richtige Antwort gefunden hatten. "Professor Cannons konnte beobachten, wie die Studierenden mehr Eigenverantwortung f√ľr ihre Arbeit und ihr Lernen √ľbernahmen. Anstatt sich mit 7 von 10 Punkten zufrieden zu geben, √ľberarbeiteten sie ihre Aufgaben immer wieder, bis sie eine perfekte Note erhielten. Diese Eigenmotivation f√ľhrte zu einem tieferen Verst√§ndnis der Konzepte und weckte eine Leidenschaft f√ľr das Programmieren, die zuvor fehlte."
  • Gestalten Sie Ihren Autograder so, dass er nicht nur den Code √ľberpr√ľft, sondern auch die Tests der Studierenden bewertet, um sicherzustellen, dass sie tats√§chlich test-basierte Entwicklung betreiben. Dies regt die Studierenden dazu an, sich zu √ľberlegen, wie sie ihren Code testen sollten, anstatt sich nur darauf zu verlassen, dass andere diese Tests schreiben. Ein gut konzipierter Autograder mit Mengenbegrenzung und selektiver Ausgabe, kombiniert mit einem guten Pr√ľfungsdesign, macht es den Studierenden schwerer, sich ausschlie√ülich auf einen Autograder zu verlassen. Stattdessen gehen die Studierenden ihre Einreichungen √ľberlegter an.
  • Tools wie Gradescope, die ein automatisches sowie manuelles Benoten derselben Aufgabe erm√∂glichen, k√∂nnen Lehrkr√§ften dabei helfen, den Studierenden Inline-Kommentare und Feedback zu geben. "Man hat mir mitgeteilt, dass ich im n√§chsten Semester keine Assistenten f√ľr mein Seminar "Grundlagen der Programmiersprachen" haben w√ľrde. Dadurch war ich motiviert, eine der Funktionen von Gradescope zu nutzen, n√§mlich die Plattform f√ľr das automatische Benoten von Programmieraufgaben. Die M√∂glichkeit, automatisch Noten und Feedback f√ľr den eingereichten Code der Studierenden zu geben, ist seit langem ein Traum von Lehrkr√§ften, die Programmieren unterrichten. Der Dozent erstellt ein Benotungsskript, das die Grundlage f√ľr die Analyse bildet und Noten liefert und dazu auch Feedback f√ľr die gefundenen Probleme in den eingereichten Programmen der Studierenden. Der Auto-Grader [sic] war in diesem Fall der absolute Star unter den Funktionen", so Scott Smith. 
  • Regelm√§√üig Aufgaben mit geringem Pr√ľfungsdruck zu stellen, f√ľhrt zu mehr Transparenz und f√∂rdert den Fortschritt der Studierenden. Der Einblick in das, was die Studierenden wissen oder nicht wissen, erm√∂glicht individuelle Interventionen der Dozierenden. Autograding senkt den Zeitaufwand f√ľr die Lehrkraft, so dass die Studierenden h√§ufiger Code schreiben k√∂nnen. An der Virginia Commonwealth University verwendet Professorin Debra Duke Gradescope, "um Zeit zu sparen und Teile des Review- und Feedbackprozesses zu automatisieren. Dadurch kann Duke mehr Projekte zuweisen und aussagekr√§ftigeres, individuelleres Feedback geben. Au√üerdem erhalten ihre Studierenden nun 50 Prozent mehr Programmierpraxis als zuvor."
  • Das Hervorheben von Lernm√∂glichkeiten, innerhalb des Autograders bietet den Studierenden eine konkrete Hilfestellung. Anya E. Vostinar, Assistenzprofessorin f√ľr Informatik am Carleton College, gab ihre pers√∂nlichen Empfehlungen f√ľr den Gradescope-Autograder, der solche Lernm√∂glichkeiten anbietet. 

Gradescope verwandelt das Benoten in Lernen. Es erm√∂glicht personalisiertes Lernen und automatisches Benoten in gro√üem Ma√üstab. Das Ergebnis? Lehrkr√§fte haben mehr Zeit zum Unterrichten. 

Machen Sie die ersten Schritte mit unserer Autograder-Dokumentation. Oder werfen Sie einen Blick auf die Gradescope Community Resources Seite, wo Lehrkr√§fte ihre Autograder untereinander austauschen. 

Erfahren Sie mehr √ľber Gradescope