Predicting student performance is an important topic in academia, especially so in programming context, where identification of struggling students allows teachers to offer early and continuous assistance to help them improve their performance. It is thus essential to analyze student programming behavior to detect those at-risk students. This thesis uses data generated from 220 students in a master’s level programming course at a large European university. The students run unit tests in order to test their code when solving assignments, with a snapshot being taken of each test as it is executed. Unit testing is a method of testing software where individual units of source code are tested for correctness. A data set with simple features is derived from a database of snapshots and labeled with students’ grades. Then, the machine learning models support vector machine (SVM), naive Bayes (NB), random forest, and neural networks with one, two and three hidden layers each are trained, evaluated and performance is compared. The results show that SVM and neural networks models are likely the best performing all-rounders, with a possible naive Bayes selection depending on what goal one has. The thesis contributes by training machine learning models on students’ programming behavior. By arming teacher with models such as these, more students that need assistance can get in-time support and thus improve their performance. Future work can improve the models by using or combining other types of student data as features or use a larger data set. / Att förutsäga studenters prestationer är ett viktigt ämne inom akademin, särskilt i programmeringssammanhang, där identifiering av studenter som kämpar med sina studier gör det möjligt för lärare att erbjuda tidig och kontinuerlig hjälp för att hjälpa dem att förbättra sina prestationer. Det är därför viktigt att analysera studenternas programmeringsbeteende för att upptäcka dessa studenter som är vid risk. Denna uppsats använder data från 220 studenter i en programmeringskurs på masternivå vid ett stort europeiskt universitet. Studenterna kör enhetstester för att testa sin kod när de löser uppgifter, och en snapshot tas av varje test när det körs. Enhetstestning är en metod för att testa programvara där enskilda enheter av källkoden testas för korrekthet. En datamängd med enkla features härleds från en databas med snapshots och märks med studenternas betyg. Därefter tränas och utvärderas maskininlärningsmodellerna support vector machine (SVM), naive Bayes (NB), random forest och neurala nätverk med ett, två och tre dolda lager vardera och deras prestanda jämförs. Resultaten visar att SVM och neurala nätverk sannolikt är de bäst presterande allroundmodellerna, med ett möjligt naivt Bayes-val beroende på vilket mål man har. Uppsatsen bidrar genom att träna maskininlärningsmodeller på studenters programmeringsbeteende. Genom att utrusta lärare med modeller som dessa kan fler studenter som behöver hjälp få stöd i tid och därmed förbättra sina prestationer. Framtida arbete kan förbättra modellerna genom att använda eller kombinera andra typer av studentdata som features eller använda en större datamängd.

In 2018 the government of Sweden decided to include programming in elementary school. Therefore, the purpose of this report was to investigate whether or not the current Swedish third-grade programming curriculum was appropriate or not, and also to evaluate the viability of including a few additional programming concepts in the teaching material for grade three. To achieve this goal, a game incorporating Gamification was developed in order to assist in the teaching of these concepts, as well as the current curriculum, to a group of third-graders from a swedish school. There were 87 participants introduced to the different programming concepts by playing the game during theoretical lectures. The results suggests that the current curriculum can be expanded upon, and also that the additional concepts all seemed to be viable extensions. However, we believe that more research needs to be conducted in order to draw any definite conclusions. / År 2018 beslutade Sveriges regering att inkludera programmering i grundskolan. Syftet med denna rapport var därför att undersöka huruvida den nuvarande svenska programmeringskriterierna för årskurs tre är lämplig eller inte, samt att utvärdera möjligheten att inkludera några ytterligare programmeringskoncept i undervisningen för årskurs tre. För att uppnå detta mål utvecklades ett spel som innefattade Spelifiering (engelska: Gamification) för att underlätta undervisningen av dessa begrepp, såväl som den aktuella läroplanen, till en grupp av tredjeklassare från en svensk skola. Det var 87 deltagare som introducerades till de olika programmeringskoncepten genom att spela spelet under teoretiska föreläsningar. Resultaten tyder på att den nuvarande läroplanen kan utökas med koncepten som undersöks i denna studie. Vi tror emellertid att mer forskning måste genomföras för att dra några konkreta slutsatser.

Allt fler delar av samhållet digitaliseras och i och med detta ökar behovet av digital kompetens, bland annat inom programmering. Programmering som skolämne finns på gymnasienivå och kan antingen ingå inom ramen för ett program eller läsas som valbar kurs. Utgångspunkten för detta arbete är programmeringsundervisningen på gymnasiet, med särskilt fokus på kursen Programmering 1.  Syftet med detta arbete är att kartlägga hur elevers arbetssätt vid lösning av en individuell uppgiftg i kursen Programmering 1 kan förstås utifrån ett antal förmågor inom datalogiskt tänkande. De förmågor inom datalogiskt tänkande som avses här är abstraktion, algoritsmiskt tänkande, dekompositionm, mönsterigenkänning och generalisering.  För att samla in studiens data, som är kvalitativ, användes observationer och intervjuer. Totalt sett studerades åtta elever som gick årskurs 3 på teknikprogrammet på en gymnasieskola och som läste kursen Programmering 1 som en obligatorsik del av sitt program. Insamlade data analyserades genom att göra en tematisk analys.  Den tematiska analysen resulterade i en tankekarta som visualiserar hur elevernas beteenden under uppgiftslösningen kan förstås utifrån förmågorna inom datalogiskt tänkande. Analysen visade att alla undersökta förmågor förekom i någon utsträckning, men att eleverna använde abstraktion och algoritmiskt tänkande i större utsträckning och med större säkerhet än dekomposition och mönsterigenkänning. / An increasing number of sectors in society are being digitalized, which in turn increases the need for digital skills, including programming. Programming is a subject in upper secondary school and can either be part of a program or taken as an elective course. The focus of this study is programming education in upper secondary school, specifically the course Programming 1.  The purpose of this study is to map how students' approach to solving individual tasks in the Programming 1 course can be understood based on a set of abilities related to computational thinking. The computational thinking abilities considered here are abstraction, algorithmic thinking, decomposition, pattern recognition, and generalization.  To gather qualiktative data for the study, observations and interviews were conducted. A total of eight students in their third year of the technology program at an upper secondary school, who were taking Programming 1 as a mandatory part of their program, were studied. The collected data was analyzed using thematic analysis.  The thematic analysis resulted in a concept map that visualizes how students' behaviors during task-solving can be understood in terms of the abilities within computational thinking. The analysis revealed that all the examined abilities were present to some extent, but students utilized abstraction and algorithmic thinking to a greater extent and with more confidence compared to decomposition and pattern recognition.

This is a project that explores the realm of programming and art education for young children, trying to bring these two disciplines together in a fun and playful way. The aim is to allow children to express themselves creatively and at the same time explore and understand basic concepts of coding and programming. From the idea of creating a tool for education, this project has evolved, throughout the iterative design process of prototyping and testing, into a toolbox for personal exploration and discovery of Art and technology. This toolbox not only aims to give children the opportunity to grow and develop their understanding of digital media but also aims to help them create stronger bonds with people around them, by sharing and participating together in the activities that they will create. Prototyping is here used as an explorative tool to not only develop the final design but to also investigate children, their interests and aspirations. The different iterations have helped getting a deeper understanding of the user and the concepts revolving around the topic of art and programming to which this project try to talk to. The outcome is a physical modular interface that allows children to build, piece by piece, a digital and interactive art experience that they can eventually share and play with family and friends.