利用同伴排名和人口统计学标记的学生反馈揭示大型计算课程中的公平问题

视频

DOI

随着计算课程规模扩大，来自边缘化群体的学生继续不成比例地面临阻碍其学术和职业成功的挑战（如隐性偏见、微攻击、缺乏资源、预设特权的假设）。这可能影响职业愿望和对计算社区的归属感。教师有权立即做出改变以支持更公平的学习，但他们通常不了解学生的挑战。为了帮助教师和学生理解他们课堂中的不平等，我们开发了Student Amp，这是一个交互式系统，使用学生反馈和自报人口统计信息（如性别、种族、残障、教育背景）来显示挑战以及它们如何不同地影响学生。为了帮助教师理解反馈，Student Amp按学生感知的破坏性程度对挑战进行排序。我们对五门大型大学计算课程（150-750名学生）在新冠疫情远程教学期间进行了形成性评估。我们发现学生分享了超出课程范围的挑战，分享关于他们是谁的信息被认为有用但可能存在危险，教学团队能够使用这些信息来考虑分享挑战的学生的立场。我们的发现涉及支持公平的设计核心张力，即分享关于学生的情境化信息，同时确保他们的隐私和福祉。