Earticle

초록

영어

This study investigates the effectiveness of block-based, text-based, and hybrid instructional approaches in introductory Python courses for community college freshmen. Sixty students were randomly assigned to three groups, each following a distinct instructional method over a 13-week semester. Learning outcomes, problem-solving skills, and student attitudes were evaluated using exams, coding exercises, surveys, and interviews. The results revealed significant improvements across all groups, with the hybrid approach achieving the highest post-test scores (81.2 points) and the best project performance(average of 89.3 points in the final project). The hybrid method effectively combined the accessibility of block-based programming with the depth of text-based coding, employing a gradual transition from visual to textual representations. This approach scaffolded learning, addressing the needs of diverse learners while equipping them with advanced programming skills. Students in the hybrid group reported the greatest improvements in confidence, enjoyment, and engagement. The findings underscore the hybrid approach as the most effective for promoting conceptual understanding, coding proficiency, and overall satisfaction among diverse learners.

한국어

본 연구는 대학 신입생을 대상으로 한 파이썬 입문 강의에서 블록 기반, 텍스트 기반, 혼합형 교수법의 효과성을 조사하였다. 60명의 학생이 세 그룹으로 무작위 배정되어 각기 다른 교수법을 13주간 적용받았다. 학습 성과, 문제 해결 능력, 학생 태도는 시험, 코딩 연습, 설문 조사 및 인터뷰를 통해 평가되었다. 결과적으로 모든 그룹에서 유의미한 향상이 나타났으며, 혼합형 교수법을 적용한 그룹이 가장 높은 사후 평가 점수(81.2점)와 최종 프로젝트에서 최고 성과(평균 89.3점)를 기록하였다. 혼합형 교수법은 블록 기반 프로그래밍의 접근성과 텍스트 기반 코딩의 심층성을 효과적으로 결합하여, 시각적 표현에서 텍스트 표현으로의 점진적인 전환을 통해 학습을 단계적으로 지원하였다. 이 접근법은 다양한 학습자의 요구를 충족시키면서도 고급 프로그래밍 기술 습득을 준비하도록 설계되었다. 혼합형 그룹의 학생들은 자신감, 즐거움, 몰입감에서 가장 큰 향상을 보고하였다. 연구 결과는 혼합형 교수법이 개념적 이해, 코딩 숙련도 및 학습 만족도를 증진하는 데 가장 효과적임을 강조하고 있다.

목차

ABSTRACT
요약
I. Introduction
II. Related Works
1. Challenges in Coding Education
2. Block-Based vs. Text-Based Programming
3. Limitations of Existing Research
III. Methodology
1. Participants and Setting
2. Instructional Tool: CodeWalks
3. Instructional Approaches
4. Data Collection and Assessment
5. Data Analysis
V. Results
1. Quantitative Analysis Results
2. Qualitative Analysis Results
V. Discussion
VI. Conclusion
References

키워드

저자

• SangPyu Jun [ 전상표 | NamSeoul Univ. ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  인공지능연구 논문지 [Journal of The Korean Association of Artificial Intelligence Education]

• 간기

  연3회

• pISSN

  2733-404X

• 수록기간

  2020~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 000 DDC 006