The interplay between rich and big data in programming education research

To conduct solid research on how students learn programming, we need both 'rich data' and 'big data'. In the past decades, researchers have been collecting both types of data, such as large datasets of programs written by students, containing numerous mistakes, but also more fine-grained data, such as verbalizations of what students were thinking when solving a challenging programming problem. While there is an interplay between these two types of data, they are typically used to answer different questions. There are also several existing datasets available for conducting programming education research, however, these are more often 'big' rather than 'rich', and it is not trivial to find and use them. In this talk I will show several examples of my research, in which I have (re)used datasets to study aspects of how students learn to program, discussing the need for collecting, analyzing and sharing big as well as rich data.

Dr. H.W. Keuning ist Assistenz-Professorin in der Software Technology for Learning and Teaching group der Utrecht University (Niederlande). Das Hauptaugenmerk ihrer Arbeit liegt in der Erforschung verschiedener Tools, die Studierende beim Erlernen des Programmierens unterstützen sollen. Dafür untersucht sie unter anderem tutorielle Systeme in der Programmierung, welche den Studierenden das Programmieren und Verbessern der Codequalität näher bringen sollen. Dr. Keuning war zwischen 2015 und 2020 eine Doktorandin an der Open University of Netherlands, die durch das Promotionsstipendium für Lehrkräfte der NWO gesponsert wurde.

Weitere Informationen über Dr. Keuning und ihre Arbeit finden Sie unter: https://www.uu.nl/staff/HWKeuning

(Re)-Using the Data: Address Challenges in Research Data via FAIR and APIs

With the increasing interest in research data, research data centers face their own challenges with collection, storage and dissemination of data.
This presentation spotlights some of the intricacies of managing and maintaining research data, with a particular focus on computer science topics such as storage infrastructures, API integration, and usability.

The FAIR principles are one cornerstone guiding developments.
This presentation will explore how adherence to these principles fosters open science and accelerates scientific processes.
By aligning with the FAIR principles, RDCs and also the National Research Data Infrastructure (NFDI) seek to harmonize data management practices across disciplines, institutions, and borders.
This promotes collaboration and maximizes the utility of research data.
Especially APIs play a pivotal role in facilitating seamless interaction with diverse data sources and platforms.

By leveraging innovative approaches and emerging technologies, researchers can navigate and report research data more effectively, uncovering valuable insights and driving scientific progress.

Dr. Daniel Schiffner ist seit 2012 als Lehrbeauftragter an der Goethe-Universität Frankfurt im Fachbereich Informatik tätig. Dort lehrt er die Themen Computergrafik, Animation, Visualisierung, HCI, sowie Plattformen und Systeme des eLearnings. Seit 2017 ist Dr. Schiffner außerdem Mitglied des Programmkommitees der EC-TEL und trat ein Jahr später außerdem dem Programmkommitee der DELFI bei. Neben seiner Tätigkeit als Arbeitsbereichsleiter der Bildungsinformatik am Leibniz-Institut für Bildungsforschung und Bildungsinformation seit 2019, ist Dr. Schiffner darüber hinaus seit 2020 als wissenschaftlicher Koordinator des TBA-Zentrums tätig. Trotz seiner umfangreichen Tätigkeiten im Bereich der Bildungstechnologien, engagiert er sich außerdem in einer Vielzahl unterschiedlicher Projekte, wie beispielsweise dem SchuMaS - Schule macht stark oder lernen:digital – Kompetenzverbund für die digitale Transformation von Schule und Lehrkräftebildung.

Weitere Informationen über Dr. Schiffner und seine Arbeit finden Sie unter: www.dipf.de/de/institut/personen/schiffner-daniel