The Effectiveness of Using a Congruent Visualization Framework on Learning a Data Structures Course

Cover Page

Cite item

Full Text

Abstract

The majority of computer science (CS) educationists agree that learning the Data Structures course (CS2) is very difficult among novices due to its complexity. Consequently, learning the Data Structures course has been associated with a high failure rate. To enable learners understand data structures, algorithms visualizations (AVs) were proposed. Despite the long-term use of AVs in teaching and learning data structures, research shows that such tools have not been as pedagogically effective as expected. This study aimed to evaluate the effectiveness of using a congruent visualization (CV) framework on learning data structures. The framework employs a combination of two congruent program visualization tools, which involve machine-driven and learner-driven approaches. The effectiveness of using the CV framework was evaluated using a combination of experiment, grade analysis, and questionnaire methods. The subjects of the study were 887 first-year undergraduate students from the College of Informatics and Virtual Education (CIVE) of the University of Dodoma in Tanzania, studying the CS 122 Data Structures course. Results show that the use of the CV framework improved both students’ test performance and examination pass rates compared to the traditional approach. Students’ responses from a follow-up survey showed that the use of the CV framework increased students’ motivation and confidence in learning the Data Structures course.

About the authors

Adam Basigie Mtaho

Arusha Technical College

Author for correspondence.
Email: abasigie@yahoo.com
Arusha, Tanzania

Leonard J Mselle

The University of Dodoma

Email: mselel@yahoo.com
Arusha, Tanzania

Masoud M Masoud

Department Computer Studies

Email: bi-gutu@gmail.com
Dar es Salaam, Tanzania

References

  1. Gárcia-Mateos G., Fernández-Alemán J.L. A course on algorithms and data structures using on-line judging. Proc Conf Integr Technol into Comput Sci Educ ITiCSE. 2009;45–9.
  2. Pérez-sánchez B., Morais P. Learning Data Structures – Same Difficulties in Different Countries? 2016;8540(c).
  3. Qian Y., Lehman J. Students’ Misconceptions and Other Difficulties in Introductory Programming : A Literature Review. 2017;18(1):1–24.
  4. Krause-Levy S., Valstar S, Porter L., Griswold W.G. A demographic analysis on prerequisite preparation in an advanced data structures course. ACM Inroads. 2022;13(2):34–41.
  5. Gárcia-Mateos G., Fernández-Alemán J.L. A course on algorithms and data structures using on-line judging. In: Proceedings of the 14th annual ACM SIGCSE conference on innovation and technology in computer science education. 2009:45–9
  6. Fouh E., Akbar M., Shaffer C.A., Tech V. The Role of Visualization in Computer Science Education. 2012.
  7. Naps T.L., oßling G., Almstrum V., Dann W., Fleischer R., Hundhausen C., et al. Exploring the Role of Visualization and Engagement in Computer Science Education Report of the Working Group on ". Improving the Educational Impact of Algorithm Visualization " Acm. 2002;35(2):131–52.
  8. Sobh T. A tool for data structure visualization and user-defined algorithm animation. 2014;(October 2001).
  9. Pieter W. How to optimize cognitive load for learning from animated modelse. The Netherlands Organisation for Scientific Research. 2007.
  10. Romanowska K., Singh G., Dewan M.A.A., Lin F. Towards Developing an Effective Algorithm Visualization Tool for Online Learning. 2018 IEEE SmartWorld, Ubiquitous Intell Comput Adv Trust Comput Scalable Comput Commun Cloud Big Data Comput Internet People Smart City Innov. 2018;(October):2011–6.
  11. Naps T., Guido R., Darmstadt T.U., College M., Dann W., Cooper S., et al. Evaluating the Educational Impact of Visualization. 2003
  12. Sorva J., Karavirta V., Malmi L. A Review of Generic Program Visualization Systems for Introductory. 2013;13(4).
  13. Vagianou E. Program Working Storage: A Beginner’s Model. 2006;69–76.
  14. Bellström P., Thorén C. Learning how to program through visualization: A pilot study on the bubble sort algorithm. 2nd Int Conf Appl Digit Inf Web Technol ICADIWT 2009. 2009;90-4.
  15. Myller N., Bednarik R., Sutinen E. Extending the Engagement Taxonomy: Software Visualization and Collaborative Learning. 2009;9(1).
  16. Jonathan F.C., Karnalim O., Ayub M. Extending The Effectiveness of Algorithm Visualization with Performance Comparison through Evaluation-integrated Development. 2016;16–21.
  17. Petre M., de Quincey E. A gentle overview of software visualisation. PPIG News Lett. 2006;1–10.
  18. Price B.A., Baecker R.M., Small I.S. A principled taxonomy of software visualization. J Vis Lang Comput. 1993;4(3):211–66.
  19. Scott A.S. Using Flowcharts, Code and Animation for Improved Comprehension and Ability in Novice Programming Certificate of Research. 2010;(March).
  20. Brown M.H., Sedgewick R. Techniques for algorithm animation. Ieee Softw. 1985;2(1):28.
  21. Maloney J., Resnick M., Rusk N., Silverman B., Eastmond E. The scratch programming language and environment. ACM Trans Comput Educ. 2010;10(4):1–15.
  22. Moreno A., Myller N., Sutinen E., Ben-Ari M. Visualizing programs with Jeliot 3. In: Proceedings of the working conference on Advanced visual interfaces. 2004:373–6.
  23. Bergin J., Patiho-matt M., Brodlie K., Mcnally M., College A., Goldweber M., et al. An overview of visualization: Report of the Working Group on Visualization. 1996;192–200.
  24. Hidalgo-Céspedes J., Marín-Raventós G., Lara-Villagrán V. Learning principles in program visualizations: A systematic literature review. Proc – Front Educ Conf FIE. 2016;2016-Novem.
  25. Mselle L. Using Memory Transfer Language (MTL) as a Tool for Program Dry-running. Int J Comput Appl. 2014;85(9):45–51.
  26. Hidalgo-Céspedes J., Mar’in-Raventós G., Lara-Villagrán V. Learning principles in program visualizations: A systematic literature review. Proc – Front Educ Conf FIE. 2016;2016-Novem.
  27. Sorva J., Karavirta V., Malmi L. A review of generic program visualization systems for introductory programming education. ACM Trans Comput Educ. 2013;13(4).
  28. Colaso V., Kamal A., Saraiya P., North C., Mccrickard S., Shaffer C.A. Learning and Retention in Data Structures : A Comparison of Visualization, Text, and Combined Methods. 2005;1–2.
  29. Osman W.I., Elmusharaf M.M. Effectiveness of Combining Algorithm and Program Animation : A Case Study with Data Structure Course. 2014;11:155–68.
  30. Nathasya R.A., Karnalim O., Ayub M. Integrating program and algorithm visualisation for learning data structure implementation. Egypt Informatics J [Internet]. 2019;(November). Available from: https://doi.org/10.1016/j.eij.2019.05.001
  31. Pathania U., Singh A. International Journal of Software and Web Sciences (IJSWS) Visualization Tool for Tree and Graph Algorithms with Audio Comments. 2014;51–8.
  32. Silva D.B., Aguiar R.D.L., Deconto D.S., Jr C.N.S. Recent studies about teaching algorithms (CS1) and data structures (CS2) for computer science students. 2019.
  33. Burkhard R.A. Towards a framework and a model for knowledge visualization: Synergies between information and knowledge visualization. Knowl Inf Vis Search Synerg. 2005;238–55.
  34. Iqbal Malik S., Coldwell-Neilson J. Impact of a New Teaching and Learning Approach in an Introductory Programming Course. J Educ Comput Res. 2017;55(6):789–819.
  35. Clark J.M., Paivio A. Dual coding theory and education. Educ Psychol Rev. 1991;3(3):149–210.
  36. Mayer R., Mayer R.E. The Cambridge handbook of multimedia learning. Cambridge university press; 2005.
  37. Shaffer D. Applying Cognitive Load Theory to Computer Science Education. 2014;(January 2003).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».