| 6 ECTS | |
| 30 P + 30 S + 30 M | |
| 0% primjene e-učenja | |
| Odjel za informatiku (Sceduly) |
| Nositelji: Ivica Boljat, Monika MladenovićSuradnici: |
| Ciljevi predmeta |
| Teorijski i praktično osposobiti studente za kvalitetnu pripremu, realizaciju i analizu nastavnog procesa na temelju rezultata znanstvenih istraživanja u području informatičkog obrazovanja |
| Uvjeti (kompetencije) za upis predmeta |
| Odslušana Metodika nastave informatike I. Obvezno temeljito poznavanje ključnih informatičkih tema (programiranje, algoritmi i strukture podataka, baze podataka, arhitektura računala, Poželjno je poznavanje didaktike i psihologije učenja. |
| Očekivani ishodi učenja |
| Studenti će znati: |
| 1. Primijeniti suvremene alate i robote za poučavanje programiranja |
| 2. Primijeniti tehnike rješavanja problema i uloga varijabli u algoritmima |
| 3. Prepoznati potencijalne miskoncepcije i sastaviti test za njihovo otkrivanje |
| 4. Poučavati tehnike efikasnog praćenja izvršavanja koda |
| 5. Prepoznati teškoće u shvaćanju rekurzije i primijeniti odgovarajuće modele poučavanja |
| 6. Prednosti i nedostatke poučavanja OOP prije proceduralnog te poučavati najprije metodologiju, tek potom jezik |
| 7. Koristiti vizualizaciju algoritama za poučavanje i samostalno učenje temeljeno na teoriji multimedijalnog učenja |
| 8. U SPSS-u ili PSPP-u odabrati i operacionalizirati varijable, unijeti podatke, odabrati odgovarajuću metodu, dobiti rezultate i pravilno ih interpretirati. |
| Sadržaj predmeta |
| 1. Primjena statistike u istraživanju nastave informatike – uzorak, tipovi greške i ovisnost o veličini uzorka, vrste skala, Kolmogorov - Smirnov test, hi kvadrat, Mann-Whitney, Kruskal-Wallis, t-test, analize varijance, faktorska, hijerarhijska klasterska analiza, Pearsonova i Spearmanova korelacija, regresijska analiza (2+2+4) |
| 2. Temeljna literatura i klasifikacija istraživanja– Valentine, Fincher-Petre. Kvalitativne metode (naglasak fenomenografija) u CSER. (2+2+0) |
| 3. Poučavanje programiranja – (alati, vizualizacije, roboti..i njihova didaktička pozadina). ALICE, JkarelRobot. Taksonomija programskih jezika i okruženja za poučavanje programiranja. Usporedba PJ – kriteriji i rezultati. Učinkovitost robota u poučavanju programiranja – primjeri istraživanja. Legomindstorm NXT-G. - seagway, smoothfollow). Snap, Enchanting, RoboMind. Alice3 i posredovani transfer). Tehnike rješavanja problema. Uloga varijabli. (5+6+8) |
| 4. Tipične početničke greške u programiranju – klasifikacije i uzroci. Usporedba s ekspertima. Miskoncepcije o efikasnosti i korektnosti program. Istraživanja vještine programiranja i tracinga. (3+4+4) |
| 5. Rekurzija – osnovni slučajevi – tipične greške, studentske teškoće i njihovi uzroci. Zašto je teška – primjeri. Mentalni modeli rekurzije. Modeli poučavanja rekurzije- model malih ljudi i ugniježdenih okvira. |
| 6. Poučavanje objektnog programiranja – koraci implementacije (klase, objekti, nasljeđivanje, enkapsulacija, ponovna upotrebljivost), zašto prije metodologija nego jezik, što se ne preporuča koristiti, koji pristup prije koristiti (objektni ili proceduralni). Fenomenogafska studija – shvaćanje pojma klasa, objekt. (2+2+2) |
| 7. Vizualizacije – primjena u poučavanju algoritama i struktura podataka.- primjeri (obilasci binarnog stabla po širini i dubini, quick i merge sort, heap-sort, AVL, Dijkstra- algoritam.najkraćeg puta, hashing, Huffmanov kod). Istraživanja stvarnih efekata vizualizacije: meta-analiza. Razine uključenosti studenata. HalVis – struktura, karakteristike. Teorija multimedijalnog učenja - principi. Kognitivno preopterećenje – uzroci, načini redukcije. (3+3+4) |
| 8. Poučavanje o računalnim mrežama – koji su ključni pojmovi, koji se pristupi koriste, preporuke fenomenografske studije za dobro poučavanje. (2+2+0) |
| 9. LOGISIM – princip rada, prijelaz s razine logičkih sklopova na tablicu istine i logički izraz – primjer 4-bitni komparatora) (0+0+4) |
| 10. Kognitivni modeli. Kognitivni procesi učenika dok programiraju. Veza prostorne inteligencije (crtanje karata) i uspješnosti programiranja. Vizualizacija u poučavanju arhitekture računala. (2+2+0) |
| 11. Žene u CS. Razlozi podzastupljenosti. Stavovi žena o informatici. (1+1+0) |
| 12. Apstrakcija – zašto je važna (2+2+0) 13. Kako integrirati rezultate znanstvenih istraživanja CSE u kurikulum. Ciljevi kurikuluma, izbor tema i pedagoških strategija, priprema nastavnika, principi dizajna kurikuluma, strategije za uspješnu masovnu implementaciju, primjeri nekih država, predrasude o CS, Frankov okvir za kritičku analizu obrazovnih politika i reformi.. (2+0+0) |
| 13. Kako integrirati rezultate znanstvenih istraživanja CSE u kurikulum. Ciljevi kurikuluma, izbor tema i pedagoških strategija, priprema nastavnika, principi dizajna kurikuluma, strategije za uspješnu masovnu implementaciju, primjeri nekih država, predrasude o CS, Frankov okvir za kritičku analizu obrazovnih politika i reformi.. (2+0+0) |
| Vrste izvođenja nastave |
| - Predavanja - Seminari - Vježbe - Mješovito e-učenje |
| Obveze studenata |
| Pohađanje svih oblika nastave, nastavna praksa, usmeni ispit. |
| Praćenje rada studenata (ECTS) |
| - Pohađanje nastave (2) - Praktični rad (1) - Usmeni ispit (3) |
| Ocjenjivanje i vrjednovanje rada studenata |
| Usmeni ispit (75%), Nastavna praksa (25%). |
| Obvezna literatura |
| 1. Boljat, I., Metodika nastave matematike II- predavanja, 2014. |
| 2. Hazzan, O., Lapidot, T., Ragonis, N., Guide to teaching computer science: an activity-based approach, Springer, 2011. |
| 3. Fincher, S., Petre, M., Computer science education research, Taylor & Francis 2004. |
| Izborna literatura |
| Publikacije u časopisima:: Computers & Education,, ACM Transactions on Computing Education, The Computer Science Education Journal Publikacije s konferencija:: SIGCSE (Special Interest Group on Computer Science Education), ITiCSE (Innovation and Technology in Computer Science), ISSEP (Informatics in Secondary Schools: Evolution and Perspective) Ostali znanstveni radovi iz informatičkog obrazovanja |
| Načini praćenja kvalitete |
| 1. Studentske ankete. 2. Povratne informacije mentora iz osnovne i srednje škole. 3. Povratne informacije sa stručnih ispita. Samoprocjena |
| Izvedba |
|
Sveučilišni diplomski studij • Fizika i informatika; smjer: nastavnički (obvezni 3. sem.) • Informatika i tehnika; smjer: nastavnički (obvezni 3. sem.) • Informatika; smjer: nastavnički (obvezni 3. sem.) • Matematika i informatika; smjer: nastavnički (obvezni 3. sem.) |
| Napomene: Vrste nastave (tip): (P) Predavanja; (S) Seminari; (A) Auditorne vježbe; (PK) Vježbe u praktikumu; (L) Laboratorijske vježbe; (M) Metodičke vježbe; (TJ) Vježbe tjelesnog odgoja; (T) Terenske vježbe. Prije početka nastave moguće su rošade izvođača nastave u svrhu optimizacije opterećenja. Prikazana je testna verzija automatskog generiranja informacija. |