ترجمه فارسی مقاله به سوی شناسایی مهارت کدنویسی از طریق تحلیل کتاب‌های درسی پایتون

چکیده

Python, one of the most prevalent programming languages today, is widely utilized in various domains, including web development, data science, machine learning, and DevOps. Recent scholarly efforts have proposed a methodology to assess Python competence levels, similar to how proficiency in natural languages is evaluated. This method involves assigning levels of competence to Python constructs, for instance, placing simple ‘print’ statements at the most basic level and abstract base classes at the most advanced. The aim is to gauge the level of proficiency a developer must have to understand a piece of source code. This is particularly crucial for software maintenance and evolution tasks, such as debugging or adding new features. For example, in a code review process, this method could determine the competence level required for reviewers. However, categorizing Python constructs by proficiency levels poses significant challenges. Prior attempts, which relied heavily on expert opinions and developer surveys, have led to considerable discrepancies. In response, this paper presents a new approach to identifying Python competency levels through the systematic analysis of introductory Python programming textbooks. By comparing the sequence in which Python constructs are introduced in these textbooks with the current state of the art, we have uncovered notable discrepancies in the order of introduction of Python constructs. Our study underscores a misalignment in the sequences, demonstrating that pinpointing proficiency levels is not trivial. Insights from the study serve as pivotal steps toward reinforcing the idea that textbooks serve as a valuable source for evaluating developers’ proficiency, and particularly in terms of their ability to undertake maintenance and evolution tasks.

چکیده به فارسی (ترجمه ماشینی)

پایتون ، یکی از شایع ترین زبانهای برنامه نویسی امروزه ، به طور گسترده در حوزه های مختلف از جمله توسعه وب ، علوم داده ، یادگیری ماشین و DevOps مورد استفاده قرار می گیرد.تلاشهای علمی اخیر ، روشی را برای ارزیابی سطح صلاحیت پایتون ارائه داده است ، مشابه چگونگی ارزیابی مهارت در زبان های طبیعی.این روش شامل اختصاص سطح صلاحیت به سازه های پایتون ، به عنوان مثال ، قرار دادن بیانیه های چاپی ساده در ابتدایی ترین سطح و کلاسهای پایه انتزاعی در پیشرفته ترین است.هدف این است که سطح مهارت یک توسعه دهنده را برای درک یک قطعه از کد منبع ارزیابی کنید.این امر به ویژه برای کارهای نگهداری و تکامل نرم افزار مانند اشکال زدایی یا اضافه کردن ویژگی های جدید بسیار مهم است.به عنوان مثال ، در یک فرآیند بررسی کد ، این روش می تواند سطح صلاحیت مورد نیاز برای داوران را تعیین کند.با این حال ، طبقه بندی سازه های پایتون بر اساس سطح مهارت ، چالش های قابل توجهی را ایجاد می کند.تلاش های قبلی ، که به شدت به نظرات متخصص و نظرسنجی های توسعه دهنده متکی بود ، منجر به اختلافات قابل توجهی شده است.در پاسخ ، این مقاله یک رویکرد جدید برای شناسایی سطح صلاحیت پایتون از طریق تجزیه و تحلیل سیستماتیک کتابهای درسی برنامه نویسی فیثون مقدماتی ارائه شده است.با مقایسه توالی که در آن سازه های پایتون در این کتابهای درسی با وضعیت فعلی هنر معرفی می شوند ، ما اختلافات قابل توجهی را به ترتیب معرفی سازه های پایتون کشف کرده ایم.مطالعه ما تأکید می کند که یک سوءاستفاده در توالی ها نشان می دهد که سطح مهارت را نشان می دهد بی اهمیت نیست.بینش از این مطالعه به عنوان گام های مهم در جهت تقویت این ایده که کتابهای درسی به عنوان یک منبع ارزشمند برای ارزیابی مهارت توسعه دهندگان و به ویژه از نظر توانایی آنها در انجام کارهای نگهداری و تکامل عمل می کنند ، خدمت می کنند.